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
- Self-Paced Sample Selection for Barely-Supervised Medical Image Segmentation [22.69909762038458]
画像登録によって生成された擬似ラベルには大きなノイズが伴う。
医用画像セグメンテーションのためのセルフペーストサンプル選択フレームワーク(SPSS)を提案する。
論文 参考訳（メタデータ） (2024-07-07T03:36:23Z) - Constructing and Exploring Intermediate Domains in Mixed Domain Semi-supervised Medical Image Segmentation [36.45117307751509]
限られたアノテーションとドメインシフトは、医用画像のセグメンテーションにおいて一般的な課題である。
混合ドメイン半監視医療画像コンポーネント(MiDSS)について紹介する。
提案手法は,3つの公開データセットで示されるように,前立腺データセットにおけるDiceスコアの顕著な13.57%の改善を実現する。
論文 参考訳（メタデータ） (2024-04-13T10:15:51Z) - 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) - Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。
未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。
ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
論文 参考訳（メタデータ） (2024-02-14T06:01:44Z) - 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) - 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) - POPCORN: Progressive Pseudo-labeling with Consistency Regularization and
Neighboring [3.4253416336476246]
半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。
画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
論文 参考訳（メタデータ） (2021-09-13T23:36:36Z) - 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) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z)
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。