論文の概要: Anatomically-aware Uncertainty for Semi-supervised Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.16099v1
- Date: Tue, 24 Oct 2023 18:03:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:48:29.485872
- Title: Anatomically-aware Uncertainty for Semi-supervised Image Segmentation
- Title（参考訳）: 半教師付き画像分割における解剖学的不確かさ
- Authors: Sukesh Adiga V, Jose Dolz, Herve Lombaert
- Abstract要約: 半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。
不確実性推定法は、トレーニングの各ステップで計算しなければならないモデル予測からの複数の推論に依存する。
本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
- 参考スコア（独自算出の注目度）: 12.175556059523863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning relaxes the need of large pixel-wise labeled
datasets for image segmentation by leveraging unlabeled data. A prominent way
to exploit unlabeled data is to regularize model predictions. Since the
predictions of unlabeled data can be unreliable, uncertainty-aware schemes are
typically employed to gradually learn from meaningful and reliable predictions.
Uncertainty estimation methods, however, rely on multiple inferences from the
model predictions that must be computed for each training step, which is
computationally expensive. Moreover, these uncertainty maps capture pixel-wise
disparities and do not consider global information. This work proposes a novel
method to estimate segmentation uncertainty by leveraging global information
from the segmentation masks. More precisely, an anatomically-aware
representation is first learnt to model the available segmentation masks. The
learnt representation thereupon maps the prediction of a new segmentation into
an anatomically-plausible segmentation. The deviation from the plausible
segmentation aids in estimating the underlying pixel-level uncertainty in order
to further guide the segmentation network. The proposed method consequently
estimates the uncertainty using a single inference from our representation,
thereby reducing the total computation. We evaluate our method on two publicly
available segmentation datasets of left atria in cardiac MRIs and of multiple
organs in abdominal CTs. Our anatomically-aware method improves the
segmentation accuracy over the state-of-the-art semi-supervised methods in
terms of two commonly used evaluation metrics.
- Abstract（参考訳）: 半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。
ラベルのないデータを利用するための顕著な方法は、モデル予測を規則化することである。
非ラベルデータの予測は信頼できないため、不確実性認識スキームは徐々に有意義で信頼性の高い予測から学ぶために用いられる。
しかしながら、不確実性推定法は、各トレーニングステップで計算しなければならないモデル予測から、計算コストの高い複数の推論に依存する。
さらに、これらの不確実性マップは画素ワイドの差を捉え、グローバルな情報を考慮しない。
本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
より正確には、解剖学的に認識された表現は、最初に利用可能なセグメンテーションマスクをモデル化することを学ぶ。
学習表現は、新しいセグメンテーションの予測を解剖学的に表現可能なセグメンテーションにマップする。
推定可能なセグメンテーションからのずれは、セグメンテーションネットワークをさらに導くために基礎となる画素レベルの不確かさを推定するのに役立つ。
提案手法は,この表現から単一推論を用いて不確実性を推定し,全体の計算量を削減する。
心臓MRIでは左心房,腹部CTでは多発臓器の2つの公用セグメンテーションデータセットについて検討した。
我々の解剖学的手法は2つの一般的な評価指標を用いて,最先端の半教師付き手法よりもセグメンテーション精度を向上する。
関連論文リスト
- Hierarchical Uncertainty Estimation for Medical Image Segmentation
Networks [1.9564356751775307]
不確実性は、モデルトレーニングに使用される画像(ノイズ)と手動アノテーション(ヒューマンエラーとバイアス)の両方に存在する。
本稿では,複数のレベルで不確かさを推定する簡易かつ効果的な手法を提案する。
U-netのようなディープラーニングセグメンテーションネットワークは,高いセグメンテーション性能を実現することができることを示す。
論文 参考訳（メタデータ） (2023-08-16T16:09:23Z) - NP-SemiSeg: When Neural Processes meet Semi-Supervised Semantic
Segmentation [87.50830107535533]
半教師付きセマンティックセグメンテーションでは、トレーニング時にピクセルワイズラベルをラベル付けされていない画像に割り当てる。
モデルによるクラスワイズ確率分布から各画素の擬似ラベルを予測し,半教師付きセマンティックセマンティックセマンティクスへのアプローチ
本研究では,NPを半教師付きセマンティックセグメンテーションに適応させることにより一歩前進し,NP-SemiSegと呼ばれる新しいモデルを実現する。
論文 参考訳（メタデータ） (2023-08-05T12:42:15Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Pixel-wise Gradient Uncertainty for Convolutional Neural Networks
applied to Out-of-Distribution Segmentation [0.43512163406552007]
本稿では,推定時に効率よく計算できる画素単位の損失勾配から不確実点を求める手法を提案する。
本実験は,提案手法が誤った画素分類を識別し,無視可能な計算オーバーヘッドで予測品質を推定する能力を示す。
論文 参考訳（メタデータ） (2023-03-13T08:37:59Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Leveraging Labeling Representations in Uncertainty-based Semi-supervised
Segmentation [9.289524646688244]
半教師付きセグメンテーションは、ラベルなしデータを少量のラベル付きデータで活用することにより、アノテーションの不足に対処する。
有意義で信頼性の高い予測から徐々に学習する不確実性認識手法が提案されている。
本研究では,セグメンテーションマスクのラベル付け表現を利用して画素レベルの不確実性を推定する手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T23:49:43Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。