Fugu-MT 論文翻訳(概要): Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective

論文の概要: Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective

arxiv url: http://arxiv.org/abs/2405.09777v2
Date: Tue, 3 Sep 2024 07:46:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-04 18:20:55.412537
Title: Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective
Title（参考訳）: 教師なし領域適応の観点からの高解像度医用画像分割の再考
Authors: Zhiqiang Shen, Peng Cao, Junming Su, Jinzhu Yang, Osmar R. Zaiane,
Abstract要約: 本稿では, ほとんど管理されていない医用画像セグメンテーション(BSS)の課題について検討する。我々は、新しいBSSフレームワーク、textbfBarely-supervised learning textbfvia unsupervised domain textbfAdaptation (BvA)を提案する。特筆すべきは、左心房セグメンテーションデータセットをわずかにラベル付けされた画像のみを用いてトレーニングし、Diceスコアが81.20%に達し、最先端の61.71%を上回ったことである。
参考スコア（独自算出の注目度）: 22.69909762038458
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper investigates an extremely challenging problem: barely-supervised volumetric medical image segmentation (BSS). A BSS training dataset consists of two parts: 1) a barely-annotated labeled set, where each labeled image contains only a single-slice annotation, and 2) an unlabeled set comprising numerous unlabeled volumetric images. State-of-the-art BSS methods employ a registration-based paradigm, which uses inter-slice image registration to propagate single-slice annotations into volumetric pseudo labels, constructing a completely annotated labeled set, to which a semi-supervised segmentation scheme can be applied. However, the paradigm has a critical limitation: the pseudo-labels generated by image registration are unreliable and noisy. Motivated by this, we propose a new perspective: instead of solving BSS within a semi-supervised learning scheme, this work formulates BSS as an unsupervised domain adaptation problem. To this end, we propose a novel BSS framework, \textbf{B}arely-supervised learning \textbf{via} unsupervised domain \textbf{A}daptation (BvA), as an alternative to the dominant registration paradigm. Specifically, we first design a novel noise-free labeled data construction algorithm (NFC) for slice-to-volume labeled data synthesis. Then, we introduce a frequency and spatial Mix-Up strategy (FSX) to mitigate the domain shifts. Extensive experiments demonstrate that our method provides a promising alternative for BSS. Remarkably, the proposed method, trained on the left atrial segmentation dataset with \textbf{only one} barely-labeled image, achieves a Dice score of 81.20%, outperforming the state-of-the-art by 61.71%. The code is available at \href{https://github.com/Senyh/BvA}{\textit{\texttt{https://github.com/Senyh/BvA}}}.
Abstract（参考訳）: 本稿では,ほとんど管理されていないボリューム・イメージ・セグメンテーション (BSS) という,極めて困難な課題について検討する。 BSSトレーニングデータセットは2つの部分から構成される。 1) ラベル付き画像が単一のスライスアノテーションのみを含む、ほとんど注釈のないラベル付きセット 2)多数の未ラベルボリューム画像からなる未ラベルセット。 State-of-the-the-art BSS法は登録に基づくパラダイムを用いており、スライス間の画像登録を用いて、単一スライスアノテーションをボリュームの擬似ラベルに伝達し、完全に注釈付きラベル付きセットを構築し、半教師付きセグメンテーションスキームを適用することができる。しかし、このパラダイムには限界があり、画像登録によって生成された擬似ラベルは信頼性が低くうるさい。そこで本研究では,半教師付き学習方式でBSSを解く代わりに,BSSを教師なし領域適応問題として定式化する手法を提案する。そこで本研究では,支配的登録パラダイムの代替として,新しいBSSフレームワークである‘textbf{B}arely-supervised learning \textbf{via} unsupervised domain \textbf{A}daptation (BvA)を提案する。具体的には、まず、スライス・ツー・ボリュームラベル付きデータ合成のための新しいノイズフリーラベル付きデータ構築アルゴリズム(NFC)を設計する。次に、周波数と空間の混合戦略(FSX)を導入し、領域シフトを緩和する。大規模な実験により,本手法はBSSに有望な代替手段を提供することが示された。特筆すべきは、左房セグメンテーションデータセットをわずかにラベル付けされた画像でトレーニングし、Diceスコアが81.20%に達し、最先端を61.71%上回ったことである。コードは \href{https://github.com/Senyh/BvA}{\textit{\textt{https://github.com/Senyh/BvA}}} で公開されている。

関連論文リスト

HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation [47.271784693700845]
本稿では,教師なしイベントベースセマンティックセマンティックセグメンテーション(HPL-ESS)のためのハイブリッド擬似ラベルフレームワークを提案する。提案手法は,DSEC-Semanticデータセットにおいて,既存の最先端手法よりも高い性能を示す。
論文参考訳（メタデータ） (2024-03-25T14:02:33Z)
Multi-Granularity Denoising and Bidirectional Alignment for Weakly Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。 MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文参考訳（メタデータ） (2023-05-09T03:33:43Z)
Category-Adaptive Label Discovery and Noise Rejection for Multi-label Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文参考訳（メタデータ） (2022-11-15T02:11:20Z)
Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
論文参考訳（メタデータ） (2022-03-19T09:19:55Z)
Unsupervised domain adaptation for clinician pose estimation and instance segmentation in the OR [4.024513066910992]
本研究では,1倍から12倍の解像度の低解像度画像に対して,共同人物のポーズ推定とセグメンテーション・インスタンスの実行方法について検討した。本稿では,EmphAdaptorと呼ばれる新しい教師なしドメイン適応手法を提案する。本稿では,大規模なemphCOCOデータセット上での半教師付き学習(SSL)手法として,本手法の汎用性を示す。
論文参考訳（メタデータ） (2021-08-26T14:07:43Z)
Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文参考訳（メタデータ） (2021-04-19T08:46:08Z)
Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文参考訳（メタデータ） (2021-03-29T22:18:34Z)
Consistency Regularization with High-dimensional Non-adversarial Source-guided Perturbation for Unsupervised Domain Adaptation in Segmentation [15.428323201750144]
BiSIDAは、未ラベルのターゲットデータセットからの情報を効率的に活用するために、一貫性の正則化を採用している。 BiSIDAは、一般的に使われている2つの合成-実領域適応ベンチマーク上で、新しい最先端を実現する。
論文参考訳（メタデータ） (2020-09-18T03:26:44Z)
Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-10T07:50:44Z)
Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
論文参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。