論文の概要: Shortcut Learning in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2403.06748v1
- Date: Mon, 11 Mar 2024 14:14:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 18:55:28.378202
- Title: Shortcut Learning in Medical Image Segmentation
- Title(参考訳): 医用画像セグメンテーションにおけるショートカット学習
- Authors: Manxi Lin, Nina Weng, Kamil Mikolaj, Zahra Bashir, Morten Bo
S{\o}ndergaard Svendsen, Martin Tolsgaard, Anders Nymark Christensen, Aasa
Feragen
- Abstract要約: ショートカット学習(英: Shortcut learning)とは、機械学習モデルが、トレーニングセットを超えて一般化されていないデータから、単純な、潜在的に誤解を招く可能性のある学習キューを優先する現象である。
キャリパーやゼロパッドド・コンボリューションとセンタークロッピード・トレーニング・セットの組み合わせは必然的にショートカットとして機能することを示した。
2つの異なる医用画像分割作業において,ショートカット学習を識別し,評価する。
- 参考スコア(独自算出の注目度): 6.413050424871847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shortcut learning is a phenomenon where machine learning models prioritize
learning simple, potentially misleading cues from data that do not generalize
well beyond the training set. While existing research primarily investigates
this in the realm of image classification, this study extends the exploration
of shortcut learning into medical image segmentation. We demonstrate that
clinical annotations such as calipers, and the combination of zero-padded
convolutions and center-cropped training sets in the dataset can inadvertently
serve as shortcuts, impacting segmentation accuracy. We identify and evaluate
the shortcut learning on two different but common medical image segmentation
tasks. In addition, we suggest strategies to mitigate the influence of shortcut
learning and improve the generalizability of the segmentation models. By
uncovering the presence and implications of shortcuts in medical image
segmentation, we provide insights and methodologies for evaluating and
overcoming this pervasive challenge and call for attention in the community for
shortcuts in segmentation.
- Abstract(参考訳): 近道学習は、機械学習モデルが学習を優先する現象であり、トレーニングセットを超えてうまく一般化しないデータからのヒントを誤解させる可能性がある。
既存の研究は主に画像分類の分野で研究されているが、本研究は近道学習を医学的画像分割に応用する。
本研究では,キャリパーズなどの臨床アノテーションや,ゼロパッド畳み込みとデータセット内のセンターカットされたトレーニングセットの組み合わせが,不注意に近道となり,セグメンテーション精度に影響を及ぼすことを実証する。
2つの異なる医用画像分割作業において,ショートカット学習を識別し,評価する。
さらに,ショートカット学習の影響を緩和し,セグメンテーションモデルの一般化性を向上させる戦略を提案する。
医療画像セグメンテーションにおけるショートカットの存在と意義を明らかにすることで,この広汎な課題を評価し克服するための洞察と方法論を提供し,セグメンテーションにおける近道を求めるコミュニティの注意を喚起する。
関連論文リスト
- CLIP in Medical Imaging: A Comprehensive Survey [54.37291512559861]
コントラスト言語-画像事前学習は、視覚モデルにテキスト管理を導入することに成功している。
様々なタスクにおいて有望な結果を示しており、その一般化可能性と解釈可能性に起因している。
CLIPの使用は、最近医療画像領域への関心が高まっている。
論文 参考訳(メタデータ) (2023-12-12T15:21:57Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - One-shot and Partially-Supervised Cell Image Segmentation Using Small
Visual Prompt [9.873635079670091]
可能な限り少ないデータで効率的な学習フレームワークを考えます。
本稿では,1つのトレーニングサンプルだけで学習できるワンショットセグメンテーションと,画像の一部にアノテーションを割り当てる部分教師付きセグメンテーションという2つのタイプの学習戦略を提案する。
提案手法では,セル画像のみに基づく事前学習モデルを用いて,プロンプトペアの情報を対象画像に教える。
論文 参考訳(メタデータ) (2023-04-17T05:04:41Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Learning with Limited Annotations: A Survey on Deep Semi-Supervised
Learning for Medical Image Segmentation [8.946871799178338]
本稿では,最近提案された医用画像分割のための半教師あり学習手法について概観する。
既存のアプローチの限界と未解決の問題を分析し,議論する。
論文 参考訳(メタデータ) (2022-07-28T15:57:46Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳(メタデータ) (2022-02-08T15:12:11Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。
本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。
筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文 参考訳(メタデータ) (2020-07-06T20:27:38Z) - Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。
提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
論文 参考訳(メタデータ) (2020-04-07T00:03:28Z)
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。