論文の概要: SSL-DG: Rethinking and Fusing Semi-supervised Learning and Domain
Generalization in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2311.02583v1
- Date: Sun, 5 Nov 2023 07:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:53:48.628387
- Title: SSL-DG: Rethinking and Fusing Semi-supervised Learning and Domain
Generalization in Medical Image Segmentation
- Title（参考訳）: SSL-DG:医療画像セグメンテーションにおける半教師付き学習と領域一般化の再考と活用
- Authors: Zanting Ye
- Abstract要約: そこで本研究では,未知のターゲットデータをソースデータの線形結合で表現し,単純なデータ拡張によって実現可能であることを示す。
DGとSSLを融合したSSL-DGを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based medical image segmentation is an essential yet
challenging task in clinical practice, which arises from restricted access to
annotated data coupled with the occurrence of domain shifts. Previous attempts
have focused on isolated solutions, while disregarding their
inter-connectedness. In this paper, we rethink the relationship between
semi-supervised learning (SSL) and domain generalization (DG), which are the
cutting-edge approaches to address the annotated data-driven constraints and
the domain shift issues. Inspired by class-level representation, we show that
unseen target data can be represented by a linear combination of source data,
which can be achieved by simple data augmentation. The augmented data enrich
domain distributions while having semantic consistency, aligning with the
principles of consistency-based SSL. Accordingly, we propose SSL-DG, fusing DG
and SSL, to achieve cross-domain generalization with limited annotations.
Specifically, the global and focal region augmentation, together with an
augmentation scale-balancing mechanism, are used to construct a mask-based
domain diffusion augmentation module to significantly enrich domain diversity.
In order to obtain consistent predictions for the same source data in different
networks, we use uncertainty estimation and a deep mutual learning strategy to
enforce the consistent constraint. Extensive experiments including ablation
studies are designed to validate the proposed SSL-DG. The results demonstrate
that our SSL-DG significantly outperforms state-of-the-art solutions in two
challenging DG tasks with limited annotations. Code is available at
https://github.com/yezanting/SSL-DG.
- Abstract（参考訳）: 深層学習に基づく医用画像のセグメンテーションは、ドメインシフトの発生に伴う注釈付きデータへのアクセス制限から生じる、臨床実践において不可欠な課題である。
以前の試みは、相互接続性を無視しながら、孤立したソリューションに焦点を当ててきた。
本稿では、注釈付きデータ駆動制約とドメインシフト問題に対処する最先端アプローチである半教師付き学習(SSL)とドメイン一般化(DG)の関係を再考する。
クラスレベルの表現に着想を得て,対象とする非対象データを,単純なデータ拡張によって達成可能なソースデータの線形結合で表現できることを示した。
拡張されたデータは、一貫性に基づくSSLの原則に従って、セマンティックな一貫性を持ちながら、ドメイン分散を豊かにする。
そこで本研究では,DGとSSLを融合したSSL-DGを提案する。
具体的には、グローバル領域および焦点領域拡張と拡張スケール分散機構を併用して、マスクベースのドメイン拡散増強モジュールを構築し、ドメイン多様性を著しく高める。
異なるネットワークで同じソースデータに対する一貫した予測を得るために、不確実性推定と深い相互学習戦略を用いて一貫性のある制約を強制する。
提案するssl-dgを検証するため,アブレーション研究を含む広範な実験を行った。
その結果,SSL-DGはアノテーションを限定した2つの課題DGタスクにおいて,最先端のソリューションよりも大幅に優れていた。
コードはhttps://github.com/yezanting/SSL-DGで入手できる。
関連論文リスト
- Domain-Guided Weight Modulation for Semi-Supervised Domain Generalization [11.392783918495404]
半教師付き領域一般化の課題について検討する。
目的は、ラベル付きデータのごく一部とラベルなしデータの比較的大きな部分だけを使用しながら、ドメイン一般化可能なモデルを学ぶことである。
そこで本研究では,様々なドメインシフトの下で,正確な擬似ラベルの生成を容易にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-04T01:26:23Z) - Towards Generalizing to Unseen Domains with Few Labels [7.002657345547741]
ラベル付きデータの限られたサブセットを活用することにより、ドメインの一般化可能な特徴を学習するモデルを得る。
ラベル付けされていないデータを活用できない既存のドメイン一般化(DG)手法は、半教師付き学習(SSL)法に比べて性能が劣る。
論文 参考訳（メタデータ） (2024-03-18T11:21:52Z) - Towards Generic Semi-Supervised Framework for Volumetric Medical Image
Segmentation [19.09640071505051]
UDAやSemiDGといった設定を扱う汎用SSLフレームワークを開発した。
提案するフレームワークを,SSL,クラス不均衡SSL,UDA,セミDGの4つのベンチマークデータセット上で評価した。
その結果,4つの設定にまたがる最先端の手法と比較して,顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-10-17T14:58:18Z) - Towards domain-invariant Self-Supervised Learning with Batch Styles
Standardization [1.6060199783864477]
Batch Styles Standardization (BSS) は、バッチ内の画像のスタイルを標準化するシンプルな手法である。
BSSは未確認領域でのダウンストリームタスク性能を著しく改善し、UDG手法よりも優れ、競合することが多い。
論文 参考訳（メタデータ） (2023-03-10T17:09:04Z) - Generalized Semantic Segmentation by Self-Supervised Source Domain
Projection and Multi-Level Contrastive Learning [79.0660895390689]
ソースドメインでトレーニングされたディープネットワークは、未確認のターゲットドメインデータでテストした場合、パフォーマンスが低下している。
汎用セマンティックセグメンテーションのためのドメイン・プロジェクションとコントラシブ・ラーニング(DPCL)手法を提案する。
論文 参考訳（メタデータ） (2023-03-03T13:07:14Z) - Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of
Semi-Supervised Learning and Active Learning [60.26659373318915]
アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。
本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。
2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
論文 参考訳（メタデータ） (2022-06-07T13:28:43Z) - Transferrable Contrastive Learning for Visual Domain Adaptation [108.98041306507372]
Transferrable Contrastive Learning (TCL) はドメイン適応に適した自己教師型学習パラダイムである。
TCLは、クリーンで斬新な対照的な損失を通じて、ソースとターゲット間のドメイン内ドメイン間の相違を罰する。
無料のランチは、対照的な学習が組み込まれているため、TCLは、ターゲットデータのための擬似ラベルの時間的にアンサンブルされたバージョンを自然に達成する、移動平均キーエンコーダに依存している。
論文 参考訳（メタデータ） (2021-12-14T16:23:01Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - Towards Recognizing Unseen Categories in Unseen Domains [74.29101415077523]
CuMixはZSL(Zero-Shot Learning)、ドメイン適応とドメイン一般化(Domain Adaptation and Domain Generalization、DG)、ZSL+DG(ZSL+DG)に取り組むための総合的なアルゴリズムである。
CuMixのキーとなるアイデアは、トレーニング中に使用可能な、目に見えないドメインやカテゴリからの画像と機能を使用して、テスト時のドメインとセマンティックシフトをシミュレートすることだ。
DomainNetベンチマークを用いた標準SLおよびDGデータセットとZSL+DGの結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-07-23T21:09:28Z)
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。