論文の概要: Dual Structure-Aware Image Filterings for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2312.07264v2
• Date: Wed, 27 Mar 2024 14:09:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 22:23:24.244701
• Title: Dual Structure-Aware Image Filterings for Semi-supervised Medical Image Segmentation
• Title（参考訳）: 半教師型医用画像分割のための二重構造対応画像フィルタリング
• Authors: Yuliang Gu, Zhichao Sun, Tian Chen, Xin Xiao, Yepeng Liu, Yongchao Xu, Laurent Najman,
• Abstract要約: 半教師付き医用画像分割のための画像レベルのバリエーションとして,新しい二重構造対応画像フィルタリング(DSAIF)を提案する。 構造を意識したツリーベース画像表現において, 画像のフィルタリングを簡略化するコネクテッドフィルタリングにより, 二重コントラスト不変の Max-tree と Min-tree の表現を利用する。 提案したDSAIFを相互に教師付きネットワークに適用することにより、ラベルなし画像上の誤った予測のコンセンサスを減少させる。
• 参考スコア（独自算出の注目度）: 11.663088388838073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised image segmentation has attracted great attention recently. The key is how to leverage unlabeled images in the training process. Most methods maintain consistent predictions of the unlabeled images under variations (e.g., adding noise/perturbations, or creating alternative versions) in the image and/or model level. In most image-level variation, medical images often have prior structure information, which has not been well explored. In this paper, we propose novel dual structure-aware image filterings (DSAIF) as the image-level variations for semi-supervised medical image segmentation. Motivated by connected filtering that simplifies image via filtering in structure-aware tree-based image representation, we resort to the dual contrast invariant Max-tree and Min-tree representation. Specifically, we propose a novel connected filtering that removes topologically equivalent nodes (i.e. connected components) having no siblings in the Max/Min-tree. This results in two filtered images preserving topologically critical structure. Applying the proposed DSAIF to mutually supervised networks decreases the consensus of their erroneous predictions on unlabeled images. This helps to alleviate the confirmation bias issue of overfitting to noisy pseudo labels of unlabeled images, and thus effectively improves the segmentation performance. Extensive experimental results on three benchmark datasets demonstrate that the proposed method significantly/consistently outperforms some state-of-the-art methods. The source codes will be publicly available.
• Abstract（参考訳）: 近年,半教師付き画像セグメンテーションが注目されている。 鍵となるのは、トレーニングプロセスでラベルのないイメージをどのように活用するかだ。 ほとんどの手法は、画像および/またはモデルレベルでラベル付けされていない画像の一貫性のある予測(例えば、ノイズ/摂動の追加、代替バージョンの作成など)を維持している。 ほとんどの画像レベルの変化では、医用画像はしばしば事前構造情報を持ち、十分に調査されていない。 本稿では、半教師付き医用画像分割のための画像レベルのバリエーションとして、新しい二重構造対応画像フィルタリング(DSAIF)を提案する。 構造を意識したツリーベース画像表現におけるフィルタリングによる画像の簡易化を行うコネクテッドフィルタリングによって動機づけられた、二重コントラスト不変の Max-tree と Min-tree 表現を利用する。 具体的には、Max/Min-tree に兄弟関係を持たない位相的に等価なノード(すなわち連結成分)を除去する新しい連結フィルタリングを提案する。 これにより、位相的に重要な構造を保持する2つのフィルタ画像が得られる。 提案したDSAIFを相互に教師付きネットワークに適用することにより、ラベルのない画像に対する誤った予測のコンセンサスを減少させる。 これにより、ラベルのない画像の偽ラベルに過度に適合するという確認バイアスの問題が軽減され、セグメンテーション性能が効果的に向上する。 3つのベンチマークデータセットの大規模な実験結果から,提案手法が最先端の手法を著しく上回る結果が得られた。 ソースコードは公開されます。

関連論文リスト

• Skip and Skip: Segmenting Medical Images with Prompts [11.997659260758976]
  本稿では,イメージレベルラベルを用いてセグメンテーションを促進する2つのU字型2段フレームワークを提案する。 実験により,本フレームワークは,単にピクセルレベルのアノテーションを用いて,ネットワークよりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-06-21T08:14:52Z)
• Self-supervised Few-shot Learning for Semantic Segmentation: An Annotation-free Approach [4.855689194518905]
  Few-shot semantic segmentation (FSS)は、医用画像解析の分野で大きな可能性を秘めている。 既存のFSS技術は注釈付きセマンティッククラスに大きく依存しており、医療画像には適さない。 本稿では,アノテーションに依存しない新たな自己教師型FSSフレームワークを提案する。その代わりに,支援画像から得られる固有ベクトルを利用して,クエリマスクを適応的に推定する。
  論文  参考訳（メタデータ） (2023-07-26T18:33:30Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• MISF: Multi-level Interactive Siamese Filtering for High-Fidelity Image Inpainting [35.79101039727397]
  画像インペイントにおける画像レベルの予測フィルタリングの利点と課題について検討する。 カーネル予測分岐(KPB)とセマンティック・アンド・イメージ・フィルタリング分岐(SIFB)の2つの分岐を含む,MISF(Multilevel Interactive Siamese Filtering)と呼ばれる新しいフィルタリング手法を提案する。 提案手法は,4つの指標,すなわちL1,PSNR,SSIM,LPIPSにおいて,最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2022-03-12T01:32:39Z)
• Reference-guided Pseudo-Label Generation for Medical Semantic Segmentation [25.76014072179711]
  本稿では,半教師付きセマンティックセグメンテーションのための管理手法を提案する。 少数のラベル付き画像を参照材料として使用し、未ラベル画像中の画素と参照集合内の最適な画素のセマンティクスを一致させる。 我々は,X線解剖学的セグメンテーションにおける標準完全教師付きモデルと同じ性能を達成するが,ラベル付き画像の95%は少ない。
  論文  参考訳（メタデータ） (2021-12-01T12:21:24Z)
• USIS: Unsupervised Semantic Image Synthesis [9.613134538472801]
  セマンティック画像合成(USIS)のための新しい教師なしパラダイムを提案する。 USISは、自己教師付きセグメンテーションロスを使用して、視覚的に分離可能なセグメンテーションクラスで画像を出力することを学ぶ。 実画像の色とテクスチャの分布を高周波数情報を失うことなく一致させるため,ウェーブレットを用いた識別手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T20:48:41Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Semantically Adversarial Learnable Filters [53.3223426679514]
  提案するフレームワークは,マルチタスク目的関数における構造損失と意味的対立損失を組み合わせて,完全な畳み込みニューラルネットワークを訓練する。 構造損失は、ターゲット画像処理フィルタによって型と大きさが定義される摂動を生成するのに役立つ。 意味的敵対的損失は、フィルタされた画像が同じグループのラベルで分類されるのを防ぐために、(意味)ラベルの群が摂動を作らなければならないと考えている。
  論文  参考訳（メタデータ） (2020-08-13T18:12:40Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。