論文の概要: Self and Mixed Supervision to Improve Training Labels for Multi-Class Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2403.03882v1
• Date: Wed, 6 Mar 2024 17:42:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 14:01:21.568015
• Title: Self and Mixed Supervision to Improve Training Labels for Multi-Class Medical Image Segmentation
• Title（参考訳）: 多種医用画像セグメンテーションのための学習ラベル改善のための自己と混合監督
• Authors: Jianfei Liu and Christopher Parnell and Ronald M. Summers
• Abstract要約: 転送学習は、ネットワークをトレーニングし、不正確なラベルを逐次改善するために使用される。 微調整工程において、弱いラベルの精度を反復的に改善する。 これらの実験結果から,デュアルブランチネットワークとトランスファーラーニングの組み合わせが,マルチクラスセグメンテーションのためのトレーニングラベルの改善に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 3.0051720404702675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate training labels are a key component for multi-class medical image segmentation. Their annotation is costly and time-consuming because it requires domain expertise. This work aims to develop a dual-branch network and automatically improve training labels for multi-class image segmentation. Transfer learning is used to train the network and improve inaccurate weak labels sequentially. The dual-branch network is first trained by weak labels alone to initialize model parameters. After the network is stabilized, the shared encoder is frozen, and strong and weak decoders are fine-tuned by strong and weak labels together. The accuracy of weak labels is iteratively improved in the fine-tuning process. The proposed method was applied to a three-class segmentation of muscle, subcutaneous and visceral adipose tissue on abdominal CT scans. Validation results on 11 patients showed that the accuracy of training labels was statistically significantly improved, with the Dice similarity coefficient of muscle, subcutaneous and visceral adipose tissue increased from 74.2% to 91.5%, 91.2% to 95.6%, and 77.6% to 88.5%, respectively (p<0.05). In comparison with our earlier method, the label accuracy was also significantly improved (p<0.05). These experimental results suggested that the combination of the dual-branch network and transfer learning is an efficient means to improve training labels for multi-class segmentation.
• Abstract（参考訳）: 正確なトレーニングラベルは、マルチクラスの医療画像セグメンテーションの鍵となるコンポーネントである。 アノテーションはドメインの専門知識を必要とするため、コストと時間を要する。 本研究の目的は、デュアルブランチネットワークを開発し、マルチクラス画像セグメンテーションのためのトレーニングラベルを自動改善することである。 転送学習はネットワークをトレーニングし、不正確なラベルを逐次改善するために使用される。 デュアルブランチネットワークは、まず弱いラベルだけでモデルパラメータを初期化するために訓練される。 ネットワークが安定化した後、共有エンコーダが凍結され、強いラベルと弱いラベルによって、強いデコーダと弱いデコーダが微調整される。 微調整過程において、弱ラベルの精度が反復的に向上する。 腹部CTで, 筋肉, 皮下, 内臓の脂肪組織を3段階に分けた。 11例において, トレーニングラベルの精度は有意に向上し, 筋, 皮下組織, 内臓脂肪組織のdice類似度係数は74.2%から91.5%, 91.2%から95.6%, 77.6%から88.5%に増加した(p<0.05)。 従来の手法と比較すると,ラベル精度も有意に向上した(p<0.05。 これらの実験結果から,デュアルブランチネットワークとトランスファーラーニングの組み合わせが,マルチクラスセグメンテーションのためのトレーニングラベルの改善に有効であることが示唆された。

関連論文リスト

• Robustly Optimized Deep Feature Decoupling Network for Fatty Liver Diseases Detection [18.24448979368885]
  現在の医用画像分類の取り組みは主に、より高い平均性能を目指しています。 大量のデータをサポートせずに、深層学習は脂肪肝のきめ細かい分類の課題に直面している。 本稿では,機能分離と適応的対人訓練を組み合わせた革新的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-25T07:50:09Z)
• Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
  本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。 提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
  論文  参考訳（メタデータ） (2024-02-05T20:08:53Z)
• Test-time Adaptation with Calibration of Medical Image Classification Nets for Label Distribution Shift [24.988087560120366]
  医用画像分類のためのラベルシフトに最初に取り組む手法を提案する。 本手法は,1つのトレーニングラベル分布から学習したモデルを任意の未知のテストラベル分布に効果的に適用する。 肝線維症ステージングと重症度予測の2つの重要な医用画像分類タスクについて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-07-02T07:55:23Z)
• CLS: Cross Labeling Supervision for Semi-Supervised Learning [9.929229055862491]
  Cross Labeling Supervision (CLS) は、典型的な擬似ラベル処理を一般化するフレームワークである。 CLSは擬似ラベルと相補ラベルの両方を作成でき、正と負の両方の学習をサポートする。
  論文  参考訳（メタデータ） (2022-02-17T08:09:40Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
  CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。 複数のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-11-23T02:54:57Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• Big Self-Supervised Models are Strong Semi-Supervised Learners [116.00752519907725]
  ImageNet上での半教師あり学習に驚くほど効果的であることを示す。 我々のアプローチの重要な要素は、事前訓練と微調整において大きな(深度と広度)ネットワークを使用することである。 ラベルが少なくなればなるほど、より大きなネットワークから、このアプローチ(ラベル付きデータのタスクに依存しない使用)が恩恵を受けることが分かっています。
  論文  参考訳（メタデータ） (2020-06-17T17:48:22Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。