論文の概要: Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2409.03228v1
• Date: Thu, 5 Sep 2024 03:55:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 21:57:04.955577
• Title: Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation
• Title（参考訳）: 部分監督型マルチオーガン画像分割のためのラベル付き分布アライメント
• Authors: Xixi Jiang, Dong Zhang, Xiang Li, Kangyi Liu, Kwang-Ting Cheng, Xin Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.953837550398884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partially-supervised multi-organ medical image segmentation aims to develop a unified semantic segmentation model by utilizing multiple partially-labeled datasets, with each dataset providing labels for a single class of organs. However, the limited availability of labeled foreground organs and the absence of supervision to distinguish unlabeled foreground organs from the background pose a significant challenge, which leads to a distribution mismatch between labeled and unlabeled pixels. Although existing pseudo-labeling methods can be employed to learn from both labeled and unlabeled pixels, they are prone to performance degradation in this task, as they rely on the assumption that labeled and unlabeled pixels have the same distribution. In this paper, to address the problem of distribution mismatch, we propose a labeled-to-unlabeled distribution alignment (LTUDA) framework that aligns feature distributions and enhances discriminative capability. Specifically, we introduce a cross-set data augmentation strategy, which performs region-level mixing between labeled and unlabeled organs to reduce distribution discrepancy and enrich the training set. Besides, we propose a prototype-based distribution alignment method that implicitly reduces intra-class variation and increases the separation between the unlabeled foreground and background. This can be achieved by encouraging consistency between the outputs of two prototype classifiers and a linear classifier. Extensive experimental results on the AbdomenCT-1K dataset and a union of four benchmark datasets (including LiTS, MSD-Spleen, KiTS, and NIH82) demonstrate that our method outperforms the state-of-the-art partially-supervised methods by a considerable margin, and even surpasses the fully-supervised methods. The source code is publicly available at https://github.com/xjiangmed/LTUDA.
• Abstract（参考訳）: 部分教師付き多臓器画像セグメンテーションは、複数の部分ラベル付きデータセットを使用して、単一の臓器にラベルを提供する統一意味セグメンテーションモデルを開発することを目的としている。 しかし, ラベル付き前庭臓器が限られており, 背景からラベル付き前庭臓器を区別するための監督が欠如していることは, ラベル付画素とラベル付画素との分布ミスマッチを生じさせる重要な課題となっている。 既存の擬似ラベル方式はラベル付画素とラベル付画素の両方から学習することができるが、ラベル付画素とラベル付画素とが同じ分布を持つという仮定に依存するため、この課題では性能劣化が生じる傾向がある。 本稿では,分散ミスマッチの問題に対処するため,特徴分布の整列と識別能力の向上を目的としたラベル付きラベル付き分散アライメント(LTUDA)フレームワークを提案する。 具体的には,ラベル付き臓器とラベルなし臓器の領域レベルでの混合を行い,分布の相違を低減し,トレーニングセットを充実させるクロスセットデータ拡張戦略を提案する。 さらに,クラス内変動を暗黙的に低減し,ラベルのない前景と背景の分離を増大させる,プロトタイプベースの分布アライメント手法を提案する。 これは、2つのプロトタイプ分類器と線形分類器の出力の整合性を促進することで達成できる。 AbdomenCT-1Kデータセットと4つのベンチマークデータセット(LiTS, MSD-Spleen, KiTS, NIH82を含む)の融合による大規模な実験結果から,本手法は最先端部分教師手法よりもかなり優れており,完全に教師された手法よりも優れていることが示された。 ソースコードはhttps://github.com/xjiangmed/LTUDA.comで公開されている。

関連論文リスト

• 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)
• GuidedNet: Semi-Supervised Multi-Organ Segmentation via Labeled Data Guide Unlabeled Data [4.775846640214768]
  半監督型多臓器画像分割は、医師が疾患の診断と治療計画を改善するのに役立つ。 キーとなる概念は、ラベル付きデータとラベルなしデータからのボクセル機能は、同じクラスに属する可能性が高い機能空間で互いに近接しているということである。 我々は、ラベル付きデータから得られた事前知識を活用してラベルなしデータのトレーニングをガイドする知識伝達クロス擬似ラベルスーパービジョン(KT-CPS)戦略を導入する。
  論文  参考訳（メタデータ） (2024-08-09T07:46:01Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• 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)
• 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)
• Label distribution learning via label correlation grid [9.340734188957727]
  ラベル関係の不確かさをモデル化するための textbfLabel textbfCorrelation textbfGrid (LCG) を提案する。 我々のネットワークはLCGを学習し、各インスタンスのラベル分布を正確に推定する。
  論文  参考訳（メタデータ） (2022-10-15T03:58:15Z)
• Label Distribution Learning via Implicit Distribution Representation [12.402054374952485]
  本稿では,ラベル分布学習フレームワークにおける暗黙分布を導入し,ラベル値の不確かさを特徴付ける。 具体的には、深い暗黙的表現学習を用いて、ガウス的事前制約を持つラベル分布行列を構築する。 ラベル分布行列の各行成分は、自己アテンションアルゴリズムを用いて標準ラベル分布形式に変換される。
  論文  参考訳（メタデータ） (2022-09-28T04:13:53Z)
• Mutual- and Self- Prototype Alignment for Semi-supervised Medical Image Segmentation [5.426994893258762]
  ラベルのないデータをよりよく活用するための相互・自己プロトタイプアライメント(MSPA)フレームワークを提案する。 具体的には、相互プロトタイプアライメントはラベル付きデータとラベルなしデータの間の情報相互作用を強化する。 また,提案手法は,3つのデータセットに対して,最先端の半教師付きセグメンテーション手法を7つ上回っている。
  論文  参考訳（メタデータ） (2022-06-03T02:59:22Z)
• Distribution-Aware Semantics-Oriented Pseudo-label for Imbalanced Semi-Supervised Learning [80.05441565830726]
  本稿では,疑似ラベルの重み付けがモデル性能に悪影響を及ぼすような,不均衡な半教師付き学習に対処する。 本稿では,この観測の動機となるバイアスに対処する,一般的な擬似ラベルフレームワークを提案する。 不均衡SSLのための新しい擬似ラベルフレームワークを、DASO(Distributed-Aware Semantics-Oriented Pseudo-label)と呼ぶ。
  論文  参考訳（メタデータ） (2021-06-10T11:58:25Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)

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。