論文の概要: ODES: Domain Adaptation with Expert Guidance for Online Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2312.05407v2
- Date: Tue, 15 Oct 2024 13:27:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 13:58:17.106780
- Title: ODES: Domain Adaptation with Expert Guidance for Online Medical Image Segmentation
- Title(参考訳): ODES:オンライン医用画像分割のためのエキスパートガイダンスによるドメイン適応
- Authors: Md Shazid Islam, Sayak Nag, Arindam Dutta, Miraj Ahmed, Fahim Faisal Niloy, Amit K. Roy-Chowdhury,
- Abstract要約: ドメイン適応セグメンテーションは、通常、ラベルなしのターゲットデータセット上で事前トレーニングされたネットワークによって予測される擬似ラベルを使用した自己学習に依存する。
バッチ内の全画像にまたがるピクセルレベルのアノテーションの取得は、オンライン学習における時間的オーバーヘッドを増大させながら、冗長な情報をもたらすことが多い。
本稿では,現在のバッチから画像の最も有用なサブセットを選択して,アクティブな学習を行う,新しい画像抽出手法を提案する。
- 参考スコア(独自算出の注目度): 16.90507882617707
- License:
- Abstract: Unsupervised domain adaptive segmentation typically relies on self-training using pseudo labels predicted by a pre-trained network on an unlabeled target dataset. However, the noisy nature of such pseudo-labels presents a major bottleneck in adapting a network to the distribution shift between source and target datasets. This challenge is exaggerated when the network encounters an incoming data stream in online fashion, where the network is constrained to adapt to incoming streams of target domain data in exactly one round of forward and backward passes. In this scenario, relying solely on inaccurate pseudo-labels can lead to low-quality segmentation, which is detrimental to medical image analysis where accuracy and precision are of utmost priority. We hypothesize that a small amount of pixel-level annotation obtained from an expert can address this problem, thereby enhancing the performance of domain adaptation of online streaming data, even in the absence of dedicated training data. We call our method ODES: Domain Adaptation with Expert Guidance for Online Medical Image Segmentation that adapts to each incoming data batch in an online setup, incorporating feedback from an expert through active learning. Through active learning, the most informative pixels in each image can be selected for expert annotation. However, the acquisition of pixel-level annotations across all images in a batch often leads to redundant information while increasing temporal overhead in online learning. To reduce the annotation acquisition time and make the adaptation process more online-friendly, we further propose a novel image-pruning strategy that selects the most useful subset of images from the current batch for active learning. Our proposed approach outperforms existing online adaptation approaches and produces competitive results compared to offline domain adaptive active learning methods.
- Abstract(参考訳): 教師なしドメイン適応セグメンテーションは、通常、ラベルなしのターゲットデータセット上で事前トレーニングされたネットワークによって予測される擬似ラベルを使用した自己学習に依存する。
しかし、そのような擬似ラベルのノイズの性質は、ソースとターゲットのデータセット間の分散シフトにネットワークを適用する際の大きなボトルネックとなる。
この課題は、ネットワークがオンライン形式で入ってくるデータストリームに遭遇した場合に誇張され、ネットワークは、正確に1ラウンドの前方と後方のパスでターゲットドメインデータの入ってくるストリームに適応するように制約される。
このシナリオでは、不正確な擬似ラベルのみに依存すると、低品質なセグメンテーションにつながる可能性がある。
専門家から得られた少量のピクセルレベルのアノテーションがこの問題に対処できると仮定し、専用のトレーニングデータがない場合でも、オンラインストリーミングデータのドメイン適応性能を向上させる。
オンライン医療画像セグメンテーションのためのエキスパートガイダンスを用いたドメイン適応(Domain Adaptation with Expert Guidance for Online Medical Image Segmentation)。
能動的学習により、各画像の最も情報性の高いピクセルをエキスパートアノテーションに選択することができる。
しかし、全ての画像にまたがるピクセルレベルのアノテーションをバッチで取得すると、オンライン学習の時間的オーバーヘッドが増大する一方、冗長な情報が発生することが多い。
アノテーションの取得時間を短縮し、適応プロセスをよりオンラインフレンドリにするため、アクティブな学習のために現在のバッチから最も有用な画像のサブセットを選択する新しい画像抽出戦略を提案する。
提案手法は,既存のオンライン適応手法よりも優れ,オフライン領域適応型能動学習法と比較して競争力のある結果が得られる。
関連論文リスト
- Enhancing Performance for Highly Imbalanced Medical Data via Data Regularization in a Federated Learning Setting [6.22153888560487]
本手法の目的は,心血管疾患予測のためのモデル性能を向上させることである。
本手法は, 心臓血管疾患予測のための4つのデータセットにまたがって評価され, 異なるクライアントに分散している。
論文 参考訳(メタデータ) (2024-05-30T19:15:38Z) - Federated Semi-supervised Learning for Medical Image Segmentation with intra-client and inter-client Consistency [10.16245019262119]
フェデレートラーニングは、ローカルデータ交換なしで、分離されたクライアントの共有モデルをトレーニングすることを目的としている。
本研究では,医用画像セグメンテーションのための新しい半教師付き学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-19T12:52:38Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Medical Federated Model with Mixture of Personalized and Sharing
Components [31.068735334318088]
本稿では,その問題に対処するための新しい個人化学習フレームワークを提案する。
ローカルデータ間の類似性を認識したパーソナライズされたモデルが得られる。
また,計算効率を大幅に向上させる効率的な計算コスト削減手法を提案する。
論文 参考訳(メタデータ) (2023-06-26T07:50:32Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - 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) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳(メタデータ) (2022-03-14T17:44:53Z) - Memory-aware curriculum federated learning for breast cancer
classification [2.244916866651468]
早期乳癌検診では, 定期検診が推奨される。
このような階級不均衡に対する潜在的な解決策は、複数の機関で力を合わせている。
近年,協調学習のための効果的なツールとして,連合学習が登場している。
論文 参考訳(メタデータ) (2021-07-06T09:50:20Z) - FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。
新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。
患者のプライバシー上の懸念から、データそのものはまだ乏しい。
我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文 参考訳(メタデータ) (2021-02-10T01:56:58Z) - Adversarial Multi-Source Transfer Learning in Healthcare: Application to
Glucose Prediction for Diabetic People [4.17510581764131]
本稿では,複数のソース間で類似した特徴表現の学習を可能にする多元逆変換学習フレームワークを提案する。
完全畳み込みニューラルネットワークを用いた糖尿病患者の血糖予測にこの考え方を適用した。
特に、異なるデータセットのデータを使用したり、あるいはデータセット内の状況にデータが少ない場合に輝く。
論文 参考訳(メタデータ) (2020-06-29T11:17:50Z)
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。