論文の概要: MSE-Nets: Multi-annotated Semi-supervised Ensemble Networks for
Improving Segmentation of Medical Image with Ambiguous Boundaries
- arxiv url: http://arxiv.org/abs/2311.10380v1
- Date: Fri, 17 Nov 2023 08:14:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 15:22:00.081833
- Title: MSE-Nets: Multi-annotated Semi-supervised Ensemble Networks for
Improving Segmentation of Medical Image with Ambiguous Boundaries
- Title（参考訳）: mse-nets : 曖昧な境界を持つ医用画像のセグメンテーションを改善するマルチアノテート半教師付きアンサンブルネットワーク
- Authors: Shuai Wang, Tengjin Weng, Jingyi Wang, Yang Shen, Zhidong Zhao, Yixiu
Liu, Pengfei Jiao, Zhiming Cheng, Yaqi Wang
- Abstract要約: 限られたマルチアノテートデータから医用画像のセグメンテーションを学習するためのマルチアノテート半教師付きアンサンブルネットワーク(MSE-Nets)を提案する。
本稿では,ネットワークペアワイズ・コンシスタンス・エンハンスメント(NPCE)モジュールとマルチネットワークPseudo Supervised(MNPS)モジュールを導入し,セグメンテーションタスクのためのMSE-Netsを強化する。
ISICデータセットの実験では、マルチアノテーションデータの需要を97.75%削減し、最高の完全に教師されたベースラインとのギャップをJaccardインデックスの4%に短縮した。
- 参考スコア（独自算出の注目度）: 21.513613620213754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation annotations exhibit variations among experts due
to the ambiguous boundaries of segmented objects and backgrounds in medical
images. Although using multiple annotations for each image in the
fully-supervised has been extensively studied for training deep models,
obtaining a large amount of multi-annotated data is challenging due to the
substantial time and manpower costs required for segmentation annotations,
resulting in most images lacking any annotations. To address this, we propose
Multi-annotated Semi-supervised Ensemble Networks (MSE-Nets) for learning
segmentation from limited multi-annotated and abundant unannotated data.
Specifically, we introduce the Network Pairwise Consistency Enhancement (NPCE)
module and Multi-Network Pseudo Supervised (MNPS) module to enhance MSE-Nets
for the segmentation task by considering two major factors: (1) to optimize the
utilization of all accessible multi-annotated data, the NPCE separates
(dis)agreement annotations of multi-annotated data at the pixel level and
handles agreement and disagreement annotations in different ways, (2) to
mitigate the introduction of imprecise pseudo-labels, the MNPS extends the
training data by leveraging consistent pseudo-labels from unannotated data.
Finally, we improve confidence calibration by averaging the predictions of base
networks. Experiments on the ISIC dataset show that we reduced the demand for
multi-annotated data by 97.75\% and narrowed the gap with the best
fully-supervised baseline to just a Jaccard index of 4\%. Furthermore, compared
to other semi-supervised methods that rely only on a single annotation or a
combined fusion approach, the comprehensive experimental results on ISIC and
RIGA datasets demonstrate the superior performance of our proposed method in
medical image segmentation with ambiguous boundaries.
- Abstract（参考訳）: 医用画像セグメンテーションアノテーションは、医用画像におけるセグメンテーション対象と背景の曖昧な境界により、専門家の間で多様性を示す。
完全教師付き画像の各画像に対する複数のアノテーションの使用は深層モデルの訓練のために広範囲に研究されてきたが、セグメント化アノテーションに必要なかなりの時間と人的コストのため、大量のマルチアノテーションデータを得ることは困難であり、多くの画像はアノテーションを欠いている。
そこで本研究では,マルチアノテーションと豊富な未注釈データからセグメンテーションを学習するためのマルチアノテート半教師付きアンサンブルネットワーク(MSE-Net)を提案する。
Specifically, we introduce the Network Pairwise Consistency Enhancement (NPCE) module and Multi-Network Pseudo Supervised (MNPS) module to enhance MSE-Nets for the segmentation task by considering two major factors: (1) to optimize the utilization of all accessible multi-annotated data, the NPCE separates (dis)agreement annotations of multi-annotated data at the pixel level and handles agreement and disagreement annotations in different ways, (2) to mitigate the introduction of imprecise pseudo-labels, the MNPS extends the training data by leveraging consistent pseudo-labels from unannotated data.
最後に,ベースネットワークの予測平均化によって信頼度校正を改善する。
isicデータセットにおける実験では、マルチ注釈データに対する要求を97.75\%削減し、最高の教師付きベースラインでギャップを4\%のjaccardインデックスに絞り込んだ。
さらに,ISICおよびRIGAデータセットの総合的な実験結果は,単一アノテーションや統合融合アプローチにのみ依存する他の半教師あり手法と比較して,曖昧な境界を持つ医用画像分割における提案手法の優れた性能を示す。
関連論文リスト
- Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。
MFMSAブロックは空間的特徴抽出の過程を洗練させる。
E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
論文 参考訳（メタデータ） (2024-05-10T07:34:36Z) - AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。
また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
論文 参考訳（メタデータ） (2023-05-28T16:28:49Z) - Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and
Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。
SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。
Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文 参考訳（メタデータ） (2022-03-19T09:19:55Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2021-08-28T01:33:38Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - Hierarchical Self-Supervised Learning for Medical Image Segmentation
Based on Multi-Domain Data Aggregation [23.616336382437275]
医用画像分割のための階層型自己監督学習(HSSL)を提案する。
まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。
スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2021-07-10T18:17:57Z) - Boosting Semi-supervised Image Segmentation with Global and Local Mutual
Information Regularization [9.994508738317585]
カテゴリー分布の相互情報(MI)を利用する半教師付きセグメンテーション手法を提案する。
医用画像セグメンテーションのための3つの挑戦的公開データセットについて評価を行った。
論文 参考訳（メタデータ） (2021-03-08T15:13:25Z) - D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application
to Skin Lesion Segmentation [14.266037264648533]
画像に対するアノテーションの意見のコレクションを活用することは、ゴールド基準を推定する興味深い方法です。
深層モデル学習時のアノテーションの不一致に対処する手法を提案する。
論文 参考訳（メタデータ） (2020-12-14T01:51:22Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。