論文の概要: Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations
- arxiv url: http://arxiv.org/abs/2403.09315v1
- Date: Thu, 14 Mar 2024 12:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-15 20:47:15.552992
- Title: Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations
- Title(参考訳): 注釈付きマンモグラムマスセグメンテーションのための半・弱教師付き学習
- Authors: Xinyu Xiong, Churan Wang, Wenxue Li, Guanbin Li,
- Abstract要約: 本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
- 参考スコア(独自算出の注目度): 49.33388736227072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate identification of breast masses is crucial in diagnosing breast cancer; however, it can be challenging due to their small size and being camouflaged in surrounding normal glands. Worse still, it is also expensive in clinical practice to obtain adequate pixel-wise annotations for training deep neural networks. To overcome these two difficulties with one stone, we propose a semi- and weakly-supervised learning framework for mass segmentation that utilizes limited strongly-labeled samples and sufficient weakly-labeled samples to achieve satisfactory performance. The framework consists of an auxiliary branch to exclude lesion-irrelevant background areas, a segmentation branch for final prediction, and a spatial prompting module to integrate the complementary information of the two branches. We further disentangle encoded obscure features into lesion-related and others to boost performance. Experiments on CBIS-DDSM and INbreast datasets demonstrate the effectiveness of our method.
- Abstract(参考訳): 乳腺の正確な同定は乳癌の診断に重要であるが、そのサイズが小さく、周囲の正常な腺に迷っているため困難である。
さらに悪いことに、ディープニューラルネットワークのトレーニングに適切なピクセル単位のアノテーションを得るためには、臨床実践も高価である。
この2つの難しさを1つの石で克服するために,限定的な強いラベル付きサンプルと十分な弱いラベル付きサンプルを用いて満足な性能を実現する,半弱教師付きマスセグメンテーション学習フレームワークを提案する。
このフレームワークは、病変のない背景領域を除外する補助枝と、最終予測のためのセグメント分岐と、2つのブランチの補完情報を統合するための空間的プロンプトモジュールとから構成される。
さらに,病変関連などの不明瞭な特徴をアンタングルし,パフォーマンスを向上した。
CBIS-DDSMとINbreastデータセットを用いた実験により,本手法の有効性が示された。
関連論文リスト
- Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous
Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。
3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文 参考訳(メタデータ) (2023-08-07T14:16:52Z) - RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。
RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。
提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
論文 参考訳(メタデータ) (2023-03-01T03:15:31Z) - A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate
Detection [12.669734891001667]
糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。
硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。
ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-22T17:39:00Z) - Hard Exudate Segmentation Supplemented by Super-Resolution with
Multi-scale Attention Fusion Module [14.021944194533644]
硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。
本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。
我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
論文 参考訳(メタデータ) (2022-11-17T08:25:04Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳(メタデータ) (2021-08-02T09:56:10Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳(メタデータ) (2021-04-05T13:15:22Z) - Towards Unbiased COVID-19 Lesion Localisation and Segmentation via
Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。
このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文 参考訳(メタデータ) (2021-03-01T06:05:49Z) - Belief function-based semi-supervised learning for brain tumor
segmentation [23.21410263735263]
ディープラーニングは、注釈付きデータを使用して病変フィールドを検出し、セグメンテーションすることを可能にする。
しかし、医療分野では、正確に注釈付きデータを取得することが非常に難しい。
本稿では,情報融合戦略を持つ新しい明示的ニューラルネットワークを用いて,不確実な境界問題に対処する。
論文 参考訳(メタデータ) (2021-01-29T22:39:16Z) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳(メタデータ) (2020-10-23T07:58:20Z)
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。