論文の概要: Predictive Accuracy-Based Active Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2405.00452v2
• Date: Sat, 29 Jun 2024 08:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-02 14:19:57.330997
• Title: Predictive Accuracy-Based Active Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための予測精度に基づく能動学習
• Authors: Jun Shi, Shulan Ruan, Ziqi Zhu, Minfan Zhao, Hong An, Xudong Xue, Bing Yan,
• Abstract要約: 医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。 PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。 複数のデータセットに対する実験結果は、PAALの優位性を示している。
• 参考スコア（独自算出の注目度）: 5.25147264940975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active learning is considered a viable solution to alleviate the contradiction between the high dependency of deep learning-based segmentation methods on annotated data and the expensive pixel-level annotation cost of medical images. However, most existing methods suffer from unreliable uncertainty assessment and the struggle to balance diversity and informativeness, leading to poor performance in segmentation tasks. In response, we propose an efficient Predictive Accuracy-based Active Learning (PAAL) method for medical image segmentation, first introducing predictive accuracy to define uncertainty. Specifically, PAAL mainly consists of an Accuracy Predictor (AP) and a Weighted Polling Strategy (WPS). The former is an attached learnable module that can accurately predict the segmentation accuracy of unlabeled samples relative to the target model with the predicted posterior probability. The latter provides an efficient hybrid querying scheme by combining predicted accuracy and feature representation, aiming to ensure the uncertainty and diversity of the acquired samples. Extensive experiment results on multiple datasets demonstrate the superiority of PAAL. PAAL achieves comparable accuracy to fully annotated data while reducing annotation costs by approximately 50% to 80%, showcasing significant potential in clinical applications. The code is available at https://github.com/shijun18/PAAL-MedSeg.
• Abstract（参考訳）: アクティブ・ラーニングは、アノテートデータに対する深層学習に基づくセグメンテーション手法の高依存性と、医用画像の高価なピクセルレベルのアノテーションコストとの矛盾を緩和するための有効な解決策と考えられている。 しかし、既存の手法の多くは信頼性の低い不確実性評価と多様性と情報のバランスの取れない難しさに悩まされ、セグメンテーションタスクのパフォーマンスは低下した。 そこで本研究では,医用画像セグメンテーションのための効果的な予測精度に基づく能動学習手法を提案する。 具体的には、PAALは主に精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。 前者は、予測後確率で対象モデルに対してラベル付けされていないサンプルのセグメンテーション精度を正確に予測できる付属学習モジュールである。 後者は、予測精度と特徴表現を組み合わせた効率的なハイブリッドクエリ方式を提供し、得られたサンプルの不確かさと多様性を確保することを目的としている。 複数のデータセットに対する大規模な実験の結果は、PAALの優位性を示している。 PAALは全注釈データに匹敵する精度を達成し、アノテーションのコストを約50%から80%削減し、臨床応用において有意義な可能性を示唆している。 コードはhttps://github.com/shijun18/PAAL-MedSegで入手できる。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Paced-Curriculum Distillation with Prediction and Label Uncertainty for Image Segmentation [25.20877071896899]
  カリキュラム学習では、まず簡単なサンプルをトレーニングし、徐々に困難を増すことが考えられている。 自己ペースト学習では、ペアリング関数はトレーニングの進捗に適応する速度を定義する。 医用画像セグメンテーションのための新しいペースドキュリキュラム蒸留法(PCD)を開発した。
  論文  参考訳（メタデータ） (2023-02-02T12:24:14Z)
• 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)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation [9.745971699005857]
  医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。 タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。 本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-12-05T08:19:41Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

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。