論文の概要: Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2404.17033v1
• Date: Thu, 25 Apr 2024 20:47:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 14:33:49.365108
• Title: Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation
• Title（参考訳）: 実データと合成データの自動生成によるラベル・スカース医用画像セグメンテーションの改善
• Authors: Tanvi Deshpande, Eva Prakash, Elsie Gyang Ross, Curtis Langlotz, Andrew Ng, Jeya Maria Jose Valanarasu,
• Abstract要約: 本稿では,Segment Anything Model (SAM) や医療用代替MedSAMなどの基礎モデルを活用することで,医療用画像ラベリングのハードルを克服する新しいアプローチを提案する。 我々のパイプラインは、ラベルなしの医療画像に対して弱いラベルを生成し、その後、ラベルのスカースデータセットを増やすためにそれを使用することができる。 この自動化により、MedSAMのマニュアルプロンプトステップが不要になり、実画像と合成画像の両方のラベルを生成するための合理化プロセスが作成される。
• 参考スコア（独自算出の注目度）: 5.368714143438489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The high cost of creating pixel-by-pixel gold-standard labels, limited expert availability, and presence of diverse tasks make it challenging to generate segmentation labels to train deep learning models for medical imaging tasks. In this work, we present a new approach to overcome the hurdle of costly medical image labeling by leveraging foundation models like Segment Anything Model (SAM) and its medical alternate MedSAM. Our pipeline has the ability to generate weak labels for any unlabeled medical image and subsequently use it to augment label-scarce datasets. We perform this by leveraging a model trained on a few gold-standard labels and using it to intelligently prompt MedSAM for weak label generation. This automation eliminates the manual prompting step in MedSAM, creating a streamlined process for generating labels for both real and synthetic images, regardless of quantity. We conduct experiments on label-scarce settings for multiple tasks pertaining to modalities ranging from ultrasound, dermatology, and X-rays to demonstrate the usefulness of our pipeline. The code is available at https://github.com/stanfordmlgroup/Auto-Generate-WLs/.
• Abstract（参考訳）: ピクセル・バイ・ピクセル・ゴールド・スタンダード・ラベルの作成コスト、専門家の可用性の制限、多様なタスクの存在により、医療画像タスクのためのディープラーニングモデルをトレーニングするためのセグメンテーション・ラベルの生成が困難になる。 本研究では,Segment Anything Model (SAM) や医療用代替MedSAMなどの基礎モデルを活用することで,医療用画像ラベリングのハードルを克服する新たなアプローチを提案する。 我々のパイプラインは、ラベルなしの医療画像に対して弱いラベルを生成し、その後、ラベルのスカースデータセットを増やすためにそれを使用することができる。 我々は、いくつかのゴールドスタンダードラベルでトレーニングされたモデルを利用して、弱いラベル生成のためにMedSAMをインテリジェントにプロンプトすることでこれを実行する。 この自動化により、MedSAMのマニュアルプロンプトステップが不要になり、量に関係なく、実画像と合成画像の両方のラベルを生成するための合理化プロセスが生成される。 我々は, 超音波, 皮膚科, X線など複数のタスクに対するラベルスカース設定実験を行い, パイプラインの有用性を実証した。 コードはhttps://github.com/stanfordmlgroup/Auto-Generate-WLs/で公開されている。

関連論文リスト

• Self-Relaxed Joint Training: Sample Selection for Severity Estimation with Ordinal Noisy Labels [5.892066196730197]
  オーディナルの雑音ラベルを用いた学習のための新しいフレームワークを提案する。 私たちのフレームワークは、クリーンなサンプル選択とデュアルネットワークアーキテクチャの2つのテクニックを使用します。 2つの手法でソフトラベルとハードラベルを適切に使用することにより、より正確なサンプル選択と堅牢なネットワークトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-10-29T09:23:09Z)
• Medical Image Segmentation with SAM-generated Annotations [12.432602118806573]
  医療データのアノテーションツールとしてSegment Anything Model(SAM)の性能を評価する。 我々は,MSD (Medicical Decathlon) のCT (Computerd tomography) タスク上で,いわゆる「擬似ラベル」を生成する。 擬似ラベルは、弱教師付きでUNetモデルをトレーニングするために、地上の真理ラベルの代わりに使用される。
  論文  参考訳（メタデータ） (2024-09-30T12:43:20Z)
• Deep Self-Cleansing for Medical Image Segmentation with Noisy Labels [33.676420623855314]
  医用画像のセグメンテーションは、疾患の診断と手術計画を支援する医療画像の分野で重要である。 確立されたセグメンテーション手法の多くは、監督された深層学習に依存しており、クリーンで正確なラベルが監督に不可欠である。 トレーニング段階でノイズを除去しながら、クリーンなラベルを保存できるディープ・セルフ・クリーン・セグメンテーション・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-08T08:33:32Z)
• Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [32.71326861917332]
  特定のタスクを実行するためにディープラーニングアルゴリズムを訓練する主な制限の1つは、医療専門家がデータをラベル付けする必要があることである。 本稿では,全スライド画像(WSI)の分類に基づくDLモデルをトレーニングするために,自動ラベルをどのような状況で適用できるかを検討することを目的とする。 セマンティック・ナレッジ・エクストラクタ・ツール(SKET)アルゴリズムを用いて自動ラベルを生成すると、手動ラベルで得られたものと同等の性能が得られる。
  論文  参考訳（メタデータ） (2024-06-20T14:20:50Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• Losses over Labels: Weakly Supervised Learning via Direct Loss Construction [71.11337906077483]
  プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。 ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。 いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
  論文  参考訳（メタデータ） (2022-12-13T22:29:14Z)
• BoMD: Bag of Multi-label Descriptors for Noisy Chest X-ray Classification [25.76256302330625]
  新しい医用画像分類問題は、放射線医学レポートから抽出された機械生成ノイズラベルに依存する必要があるかもしれない。 マルチクラス問題に対して設計された現在の雑音ラベル学習法は容易には適用できない。 本稿では,データセットからサンプルを検出し,スムーズに再ラベルする,ノイズの多い多ラベルCXR学習のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-03T08:04:59Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• 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)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。