論文の概要: Breaking the Barrier: Selective Uncertainty-based Active Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2401.16298v1
• Date: Mon, 29 Jan 2024 16:59:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 14:04:19.934886
• Title: Breaking the Barrier: Selective Uncertainty-based Active Learning for Medical Image Segmentation
• Title（参考訳）: 医療画像分割のための選択的不確実性に基づくアクティブラーニング
• Authors: Siteng Ma, Haochang Wu, Aonghus Lawlor, Ruihai Dong
• Abstract要約: アクティブラーニング(AL)は、アノテーションのワークロードを軽減し、パフォーマンスを向上させることを目的として、医用画像セグメンテーションに広く応用されている。 選択不確実性に基づくAL(Selective Uncertainty-based AL)と呼ばれる新しいアプローチを導入する。 提案手法は,5つの不確実性に基づく手法と2つの異なるデータセットにまたがって大幅に改善された。
• 参考スコア（独自算出の注目度）: 5.5575224613422725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning (AL) has found wide applications in medical image segmentation, aiming to alleviate the annotation workload and enhance performance. Conventional uncertainty-based AL methods, such as entropy and Bayesian, often rely on an aggregate of all pixel-level metrics. However, in imbalanced settings, these methods tend to neglect the significance of target regions, eg., lesions, and tumors. Moreover, uncertainty-based selection introduces redundancy. These factors lead to unsatisfactory performance, and in many cases, even underperform random sampling. To solve this problem, we introduce a novel approach called the Selective Uncertainty-based AL, avoiding the conventional practice of summing up the metrics of all pixels. Through a filtering process, our strategy prioritizes pixels within target areas and those near decision boundaries. This resolves the aforementioned disregard for target areas and redundancy. Our method showed substantial improvements across five different uncertainty-based methods and two distinct datasets, utilizing fewer labeled data to reach the supervised baseline and consistently achieving the highest overall performance. Our code is available at https://github.com/HelenMa9998/Selective\_Uncertainty\_AL.
• Abstract（参考訳）: アクティブラーニング(al)は、アノテーションのワークロードの軽減とパフォーマンスの向上を目的として、医療画像分割に広く応用されている。 エントロピーやベイジアンのような従来の不確実性に基づくAL法は、しばしばすべてのピクセルレベルのメトリクスの集約に依存する。 しかし、不均衡な環境では、これらの手法はターゲット領域の重要さを無視する傾向にある。 腫瘍、病変、腫瘍など。 さらに不確実性に基づく選択は冗長性をもたらす。 これらの要因は不満足なパフォーマンスを招き、多くの場合、ランダムサンプリングが低パフォーマンスである。 そこで本研究では,不確実性に基づく選択的alと呼ばれる新しい手法を導入し,すべての画素のメトリクスを総和する従来の手法を回避した。 フィルタリングプロセスを通じて,我々の戦略は,対象領域内の画素と決定境界付近の画素を優先する。 これにより、前述の対象領域と冗長性に対する無視が解消される。 提案手法は,5つの異なる不確実性に基づく手法と2つの異なるデータセットにまたがって大幅に改善され,ラベル付きデータが少なくて教師付きベースラインに到達し,常に最高性能を達成する。 私たちのコードはhttps://github.com/HelenMa9998/Selective\_Uncertainty\_ALで利用可能です。

関連論文リスト

• Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
  我々は,新たな不確実性認識変換(SAUNA)を導入する。 以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T04:17:10Z)
• Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM [55.93697196726016]
  本稿では,SEEM(Seegment-Everything-Everywhere Model)を用いた簡易かつ効果的な群集カウント手法を提案する。 密集した群集シーンにおけるSEEMの性能は,高密度領域の多くの人々が欠落していることが主な原因である。 提案手法は,群集カウントにおいて最高の教師なし性能を実現すると同時に,いくつかの教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-02-27T13:55:17Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
  オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。 提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
  論文  参考訳（メタデータ） (2023-03-29T12:52:27Z)
• Active learning for medical image segmentation with stochastic batches [13.171801108109198]
  手動ラベリングを減らすために、アクティブラーニング(AL)は、ラベル付きトレーニングセットに注釈を付け、追加するために、未ラベルセットから最も情報性の高いサンプルをターゲットにする。 本研究の目的は、ランダムサンプリングによって提供される多様性と速度を利用して、医用画像のセグメント化のための不確実性に基づくAL手法の選択を改善することである。
  論文  参考訳（メタデータ） (2023-01-18T17:25:55Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Semantic Segmentation with Labeling Uncertainty and Class Imbalance [19.512800180525087]
  本稿では,ラベル付け過程のクラスや不確実性を考慮し,各画素の重みを算出する手法を提案する。 画素単位の重みは、トレーニング中に、画素の重要性を増減するために使用される。
  論文  参考訳（メタデータ） (2021-02-08T22:53:33Z)
• Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization [62.21716612888669]
  半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。 第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。 第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2020-12-03T09:49:35Z)

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。