論文の概要: Selecting the Best Sequential Transfer Path for Medical Image Segmentation with Limited Labeled Data
- arxiv url: http://arxiv.org/abs/2410.06892v1
- Date: Wed, 9 Oct 2024 13:55:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 23:47:07.712097
- Title: Selecting the Best Sequential Transfer Path for Medical Image Segmentation with Limited Labeled Data
- Title(参考訳): 限られたラベル付きデータを用いた医用画像分割のための最良シーケンス転送経路の選択
- Authors: Jingyun Yang, Jingge Wang, Guoqing Zhang, Yang Li,
- Abstract要約: 医用画像に適したタスク親和性尺度を用いた新しいシーケンシャルトランスファー方式を提案する。
医用画像分割作業の特徴を考慮し,課題間の画像とラベルの類似性を解析する。
与えられた目標タスクに対して、最も優れたシーケンシャルな転送パスを特定する。
- 参考スコア(独自算出の注目度): 4.65647362545504
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The medical image processing field often encounters the critical issue of scarce annotated data. Transfer learning has emerged as a solution, yet how to select an adequate source task and effectively transfer the knowledge to the target task remains challenging. To address this, we propose a novel sequential transfer scheme with a task affinity metric tailored for medical images. Considering the characteristics of medical image segmentation tasks, we analyze the image and label similarity between tasks and compute the task affinity scores, which assess the relatedness among tasks. Based on this, we select appropriate source tasks and develop an effective sequential transfer strategy by incorporating intermediate source tasks to gradually narrow the domain discrepancy and minimize the transfer cost. Thereby we identify the best sequential transfer path for the given target task. Extensive experiments on three MRI medical datasets, FeTS 2022, iSeg-2019, and WMH, demonstrate the efficacy of our method in finding the best source sequence. Compared with directly transferring from a single source task, the sequential transfer results underline a significant improvement in target task performance, achieving an average of 2.58% gain in terms of segmentation Dice score, notably, 6.00% for FeTS 2022. Code is available at the git repository.
- Abstract(参考訳): 医用画像処理分野は、注釈付データ不足の重大な問題にしばしば遭遇する。
トランスファーラーニングがソリューションとして登場したが、適切なソースタスクを選択し、ターゲットタスクに効果的に知識を移す方法はまだ難しい。
そこで本研究では,医療画像に適したタスク親和性尺度を用いた新しいシーケンシャルトランスファー方式を提案する。
医用画像分割作業の特徴を考慮し,タスク間の画像とラベルの類似性を分析し,タスク親和性スコアを計算し,タスク間の関連性を評価する。
そこで我々は、適切なソースタスクを選択して、中間ソースタスクを組み込んで、徐々にドメインの不一致を狭め、転送コストを最小化することで、効果的なシーケンシャルトランスファー戦略を開発する。
これにより、与えられた目標タスクに対して、最も優れたシーケンシャルな転送パスが特定される。
FeTS 2022, iSeg-2019, WMHの3つのMRI医学データセットに対する大規模な実験により, 最適なソース配列を見つけるための方法の有効性が示された。
1つのソースタスクからの直接転送と比較すると、シーケンシャル転送の結果は目標タスクのパフォーマンスを大幅に向上させ、セグメンテーションダイススコア(特にFeTS 2022では6.00%)の平均2.58%のゲインを達成した。
コードはgitリポジトリで入手できる。
関連論文リスト
- Source Identification: A Self-Supervision Task for Dense Prediction [8.744460886823322]
我々は、ソース識別(SI)と呼ばれる新しいセルフスーパービジョンタスクを提案する。
合成画像は、複数のソースイメージを融合させて生成され、融合された画像を考えると、ネットワークのタスクは元のイメージを再構築することである。
脳腫瘍分節と白質高強度分節という2つの医療画像分節課題に対して,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-07-05T12:27:58Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Finding the Most Transferable Tasks for Brain Image Segmentation [14.583629268991237]
本稿では、最適なソースタスクを選択するための事前知識ガイドと転送可能性に基づくフレームワークを提案する。
医用画像のセグメンテーションタスクに最先端の分析可能性推定指標を適用した。
脳の物質、脳腫瘍、ホワイトマターの超強度セグメンテーションデータセットに関する我々の実験では、異なるタスクを同じモードで転送するより、同じタスクを異なるモードで転送する方が、よりうまく行くことが示されています。
論文 参考訳(メタデータ) (2023-01-03T02:53:29Z) - Active learning using adaptable task-based prioritisation [7.0002224852386545]
我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。
メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。
提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
論文 参考訳(メタデータ) (2022-12-03T22:37:38Z) - Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task
Deep Network for Medical Image Semantic Segmentation [18.066680957993494]
医用画像セグメンテーションのための深層マルチタスク学習法を提案する。
教師なしの方法で補助作業の擬似ラベルを生成する。
本手法は, 対数部法と比較して連続的に性能を向上する。
論文 参考訳(メタデータ) (2022-04-02T23:50:29Z) - Identifying Suitable Tasks for Inductive Transfer Through the Analysis
of Feature Attributions [78.55044112903148]
我々は、単一タスクモデル間のニューラルネットワークアクティベーションの比較を通じて、タスクペアが相補的になるかどうかを予測するために、説明可能性技術を使用する。
提案手法により,TREC-IS 2020-Aデータセットでは,正のクラスF1の0.034の削減に留まらず,最大83.5%のトレーニング時間を短縮することが可能である。
論文 参考訳(メタデータ) (2022-02-02T15:51:07Z) - Transferability Estimation for Semantic Segmentation Task [20.07223947190349]
我々は、最近の伝達可能性メートル法OTCEスコアをセマンティックセグメンテーションタスクに拡張する。
OTCEスコアを適用する際の課題は高次元セグメンテーション出力であり、非常に多くのピクセル間の最適な結合を許容コストで見つけることは困難である。
Cityscapes、BDD100K、GTA5データセットの実験的評価は、OTCEスコアが転送性能と高い相関性を示すことを示している。
論文 参考訳(メタデータ) (2021-09-30T16:21:17Z) - Frustratingly Easy Transferability Estimation [64.42879325144439]
本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。
TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。
10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
論文 参考訳(メタデータ) (2021-06-17T10:27:52Z) - What to Pre-Train on? Efficient Intermediate Task Selection [46.15624815492324]
中間タスクの微調整は、多くのNLPタスク間で大きな転送ゲインを達成している。
この研究で我々はまず、アダプタ設定で同様のシーケンシャルな微調整ゲインが達成できることを確かめる。
次に,提案手法を統合し,中間転送学習に有効なタスクを効率的に特定する。
論文 参考訳(メタデータ) (2021-04-16T17:31:18Z) - Learning Invariant Representations across Domains and Tasks [81.30046935430791]
本稿では,この教師なしタスク転送問題を解決するための新しいタスク適応ネットワーク(tan)を提案する。
ドメイン・アドバーサル・トレーニングによる伝達可能な機能を学習することに加えて、学習から学習への戦略を用いてタスクの意味を適応させる新しいタスク・セマンティクス・アダプタを提案する。
TANは最近の強いベースラインに比べてリコールとF1スコアを5.0%と7.8%大きく向上させた。
論文 参考訳(メタデータ) (2021-03-03T11:18:43Z) - Exploring and Predicting Transferability across NLP Tasks [115.6278033699853]
本研究では,33のNLPタスク間の伝達可能性について検討した。
以上の結果から,転帰学習は従来考えられていたよりも有益であることが示唆された。
また,特定の対象タスクに対して最も転送可能なソースタスクを予測するために使用できるタスク埋め込みも開発した。
論文 参考訳(メタデータ) (2020-05-02T09:39:36Z)
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。