論文の概要: DiffRect: Latent Diffusion Label Rectification for Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2407.09918v1
- Date: Sat, 13 Jul 2024 15:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 20:18:01.880159
- Title: DiffRect: Latent Diffusion Label Rectification for Semi-supervised Medical Image Segmentation
- Title（参考訳）: DiffRect: 半監督的医用画像分割のための潜時拡散ラベル整形術
- Authors: Xinyu Liu, Wuyang Li, Yixuan Yuan,
- Abstract要約: 半教師型医用画像分割のための潜在ラベル認識モデル(DiffRect)を提案する。
DiffRectをACDC、MS-CMRSEG 2019、Deathlon Prostateの3つの公開データセットで評価した。
- 参考スコア（独自算出の注目度）: 47.71546146966071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised medical image segmentation aims to leverage limited annotated data and rich unlabeled data to perform accurate segmentation. However, existing semi-supervised methods are highly dependent on the quality of self-generated pseudo labels, which are prone to incorrect supervision and confirmation bias. Meanwhile, they are insufficient in capturing the label distributions in latent space and suffer from limited generalization to unlabeled data. To address these issues, we propose a Latent Diffusion Label Rectification Model (DiffRect) for semi-supervised medical image segmentation. DiffRect first utilizes a Label Context Calibration Module (LCC) to calibrate the biased relationship between classes by learning the category-wise correlation in pseudo labels, then apply Latent Feature Rectification Module (LFR) on the latent space to formulate and align the pseudo label distributions of different levels via latent diffusion. It utilizes a denoising network to learn the coarse to fine and fine to precise consecutive distribution transportations. We evaluate DiffRect on three public datasets: ACDC, MS-CMRSEG 2019, and Decathlon Prostate. Experimental results demonstrate the effectiveness of DiffRect, e.g. it achieves 82.40\% Dice score on ACDC with only 1\% labeled scan available, outperforms the previous state-of-the-art by 4.60\% in Dice, and even rivals fully supervised performance. Code is released at \url{https://github.com/CUHK-AIM-Group/DiffRect}.
- Abstract（参考訳）: 半教師付き医用画像セグメンテーションは、限られた注釈付きデータとリッチなラベルなしデータを利用して正確なセグメンテーションを行う。
しかし,既存の半教師付き手法は自己生成型擬似ラベルの品質に大きく依存している。
一方、ラテント空間におけるラベル分布の取得には不十分であり、ラベルなしデータへの限定的な一般化に苦しむ。
これらの課題に対処するために,半教師付き医用画像分割のための遅延拡散ラベル認識モデル(DiffRect)を提案する。
DiffRect はまずラベルコンテキスト校正モジュール (LCC) を用いて、擬似ラベルのカテゴリー関係を学習してクラス間のバイアス関係を校正し、次に潜時空間に潜時特徴再現モジュール (LFR) を適用して、潜時拡散を通して異なるレベルの擬似ラベル分布を定式化し整列する。
そのネットワークを利用して、粗さを学習し、正確に連続した流通輸送を微調整し、微調整する。
DiffRectをACDC、MS-CMRSEG 2019、Deathlon Prostateの3つの公開データセットで評価した。
実験結果は、DiffRectの有効性を示し、例えば、ACDCで82.40\%のDiceスコアを達成し、わずか1\%のラベル付きスキャンしか得られず、以前のDiceの4.60\%を上回り、完全に監督されたパフォーマンスとさえ競合する。
コードは \url{https://github.com/CUHK-AIM-Group/DiffRect} で公開されている。
関連論文リスト
- Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。
本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。
提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
論文 参考訳（メタデータ） (2024-09-05T03:55:37Z) - Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
この話題は、3次元の点雲のセグメンテーションで広く研究されている。
近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。
既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。
本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
論文 参考訳（メタデータ） (2024-08-29T13:31:15Z) - AdLER: Adversarial Training with Label Error Rectification for One-Shot
Medical Image Segmentation [24.902447478719303]
逆トレーニングとラベル誤り訂正(AdLER)を併用した新しいワンショット医用画像分割法を提案する。
具体的には、新しい二重整合性制約を実装し、解剖学的整合性を保証し、登録エラーを低減する。
また,アトラス画像を増大させるための対角的トレーニング戦略も開発し,世代多様性とセグメンテーションの堅牢性を両立させる。
論文 参考訳（メタデータ） (2023-09-02T16:06:50Z) - Semi-Supervised Medical Image Segmentation with Co-Distribution
Alignment [16.038016822861092]
本稿では,半教師型医用画像分割のためのCo-Distribution Alignment(Co-DA)を提案する。
Co-DAはラベル付きデータの辺縁予測とラベル付きデータの辺縁予測をクラスワイズで調整する。
提案手法は既存の半教師付き医用画像分割法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T09:08:30Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation [15.815414883505722]
半教師付き医用画像セグメンテーションでは、ラベル付きデータとラベルなしデータの間に経験的ミスマッチ問題が存在する。
本稿では, ラベル付きとラベルなしのデータを双方向にコピー・ペーストする, 問題を緩和するための簡単な手法を提案する。
実験の結果,各種半教師付き医用画像セグメンテーションデータセットの他の最先端技術と比較すると,ACDCデータセットでは21%以上のDiceの改善が見られた(5%ラベル付きデータ)。
論文 参考訳（メタデータ） (2023-05-01T06:06:51Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳（メタデータ） (2022-12-06T07:38:29Z) - Re-distributing Biased Pseudo Labels for Semi-supervised Semantic
Segmentation: A Baseline Investigation [30.688753736660725]
疑似ラベルを生成するために,DARS法とDARS法を提案する。
我々の手法は最先端の手法と比較して好適に機能する。
論文 参考訳（メタデータ） (2021-07-23T14:45:14Z) - 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。