論文の概要: MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-Based Weakly Supervised Ultrasound Image Segmentation
- arxiv url: http://arxiv.org/abs/2409.19370v2
- Date: Thu, 31 Oct 2024 12:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 23:48:39.593790
- Title: MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-Based Weakly Supervised Ultrasound Image Segmentation
- Title（参考訳）: MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-based Weakly Supervised Ultrasound Image Segmentation
- Authors: Xiaoxiang Han, Xinyu Li, Jiang Shang, Yiman Liu, Keyan Chen, Shugong Xu, Qiaohong Liu, Qi Zhang,
- Abstract要約: スパースアノテーションに基づく弱教師付き学習(WSL)は、性能向上を実現している。
本研究は,超音波画像分割作業におけるスクリブルベースWSLの導入を試みる。
本稿では,意思決定境界付近の予測を効果的に活用することを提案する。
- 参考スコア（独自算出の注目度）: 15.766686386490234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting anatomical structures and lesions from ultrasound images contributes to disease assessment. Weakly supervised learning (WSL) based on sparse annotation has achieved encouraging performance and demonstrated the potential to reduce annotation costs. This study attempts to introduce scribble-based WSL into ultrasound image segmentation tasks. However, ultrasound images often suffer from poor contrast and unclear edges, coupled with insufficient supervison signals for edges, posing challenges to edge prediction. Uncertainty modeling has been proven to facilitate models in dealing with these issues. Nevertheless, existing uncertainty estimation paradigms are not robust enough and often filter out predictions near decision boundaries, resulting in unstable edge predictions. Therefore, we propose leveraging predictions near decision boundaries effectively. Specifically, we introduce Dempster-Shafer Theory (DST) of evidence to design an Evidence-Guided Consistency strategy. This strategy utilizes high-evidence predictions, which are more likely to occur near high-density regions, to guide the optimization of low-evidence predictions that may appear near decision boundaries. Furthermore, the diverse sizes and locations of lesions in ultrasound images pose a challenge for CNNs with local receptive fields, as they struggle to model global information. Therefore, we introduce Visual Mamba based on structured state space sequence models, which achieves long-range dependency with linear computational complexity, and we construct a novel hybrid CNN-Mamba framework. During training, the collaboration between the CNN branch and the Mamba branch in the proposed framework draws inspiration from each other based on the EGC strategy. Experiments demonstrate the competitiveness of the proposed method. Dataset and code will be available on https://github.com/GtLinyer/MambaEviScrib.
- Abstract（参考訳）: 超音波画像からの解剖学的構造と病変の分離は疾患評価に寄与する。
スパースアノテーションに基づく弱教師付き学習 (WSL) は, 性能向上を実現し, アノテーションのコスト削減の可能性を示した。
本研究は,超音波画像分割作業におけるスクリブルベースWSLの導入を試みる。
しかし、超音波画像は低コントラストと不明瞭なエッジに悩まされ、エッジの監視信号が不十分で、エッジ予測に課題が生じる。
不確実性モデリングは、これらの問題に対処する際のモデルを容易にすることが証明されている。
それでも、既存の不確実性推定パラダイムは十分に堅牢ではなく、しばしば決定境界付近で予測をフィルタリングし、不安定なエッジ予測をもたらす。
そこで本研究では,意思決定境界付近の予測を効果的に活用することを提案する。
具体的には、Evidence-Guided Consistency戦略を設計するための証拠のDST(Dempster-Shafer Theory)を紹介する。
この戦略は、高密度領域付近で起こりやすい高エビデンス予測を利用して、決定境界付近に現れる可能性のある低エビデンス予測の最適化を導く。
さらに、超音波画像における病変の大きさや位置の多様性は、グローバルな情報のモデル化に苦慮しているため、局所受容野を持つCNNにとって課題となる。
そこで我々は,線形計算複雑性を伴う長距離依存性を実現する構造化状態空間列モデルに基づくVisual Mambaを導入し,新しいハイブリッドCNN-Mambaフレームワークを構築した。
トレーニング中、提案フレームワークにおけるCNNブランチとMambaブランチのコラボレーションは、ECC戦略に基づいて互いにインスピレーションを得ている。
提案手法の競争性を示す実験を行った。
データセットとコードはhttps://github.com/GtLinyer/MambaEviScrib.comで入手できる。
関連論文リスト
- Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - ProCNS: Progressive Prototype Calibration and Noise Suppression for
Weakly-Supervised Medical Image Segmentation [0.0]
アノテーションコストとモデルパフォーマンスの衝突を軽減するソリューションとして、弱教師付きセグメンテーション(WSS)が登場した。
本稿では,プログレッシブプロトタイプキャリブレーションとノイズ抑圧の原理により考案された2つの相乗的モジュールを包含する新しいWSS手法ProCNSを提案する。
論文 参考訳（メタデータ） (2024-01-25T10:52:36Z) - Leveraging Unlabeled Data for 3D Medical Image Segmentation through
Self-Supervised Contrastive Learning [3.7395287262521717]
現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。
両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。
我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
論文 参考訳（メタデータ） (2023-11-21T14:03:16Z) - Can ultrasound confidence maps predict sonographers' labeling
variability? [38.75943978900532]
本研究は,ソノグラフィーの不確実性を考慮するために,超音波セグメンテーションネットワークを誘導する新しい手法を提案する。
信頼性マップの低値と専門家のラベルの不確実性との間には相関関係があることが示されている。
以上の結果から,超音波CMではDiceスコアが増加し,HusdorffおよびAverage Surface Distanceが向上し,孤立画素の予測回数が減少した。
論文 参考訳（メタデータ） (2023-08-18T10:07:17Z) - Detection of Uncertainty in Exceedance of Threshold (DUET): An
Adversarial Patch Localizer [8.513938423514636]
敵パッチなどの物理世界攻撃に対する防衛の開発は、研究コミュニティ内で勢いを増している。
我々は不確実性に基づく逆パッチローカライザを導入することにより、逆パッチ検出の分野に貢献する。
このアルゴリズムは、逆パッチのローカライゼーションに対する信頼性を保証するためのフレームワークを提供する。
論文 参考訳（メタデータ） (2023-03-18T00:07:26Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳（メタデータ） (2021-11-10T22:46:05Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳（メタデータ） (2020-12-06T20:30:26Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。