論文の概要: Attention-Guided Perturbation for Consistency Regularization in Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2410.12419v1
- Date: Wed, 16 Oct 2024 10:04:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-17 13:41:13.130748
- Title: Attention-Guided Perturbation for Consistency Regularization in Semi-Supervised Medical Image Segmentation
- Title(参考訳): 半監督型医用画像分割におけるアテンションガイドによる一貫性の規則化
- Authors: Yuxuan Cheng, Chenxi Shao, Jie Ma, Guoliang Li,
- Abstract要約: 本稿では,医療画像セグメンテーションの文脈における半教師付き整合正則化のための注意誘導型摂動戦略を提案する。
画像と特徴レベルのモデルからの注意に基づく摂動を加えて、一貫性の正則化を実現する。
提案手法は,ACDCデータセットの90.4%のDiceスコアを含む,ベンチマークデータセットの最先端結果を7ケースシナリオで達成した。
- 参考スコア(独自算出の注目度): 14.67636369741001
- License:
- Abstract: Medical image segmentation is a pivotal step in diagnostic and therapeutic processes. However, the acquisition of high-quality annotated data is often constrained by scarcity and cost. Semi-supervised learning offers a promising approach to enhance model performance by using unlabeled data. While consistency regularization is a prevalent method in semi-supervised image segmentation, there is a dearth of research on perturbation strategies tailored for semi-supervised medical image segmentation tasks. This paper introduces an attention-guided perturbation strategy for semi-supervised consistency regularization in the context of medical image segmentation. We add the perturbation based on the attention from the model in the image and feature level to achieve consistency regularization. The method is adept at accommodating the intricate structures and high-dimensional semantics inherent in medical images, thereby enhancing the performance of semi-supervised segmentation tasks. Our method achieved state-of-the-art results on benchmark datasets, including a 90.4\% Dice score on the ACDC dataset in the 7-case scenario.
- Abstract(参考訳): 医用画像のセグメンテーションは、診断と治療の過程において重要なステップである。
しかし、高品質な注釈付きデータの取得は、しばしば不足とコストによって制限される。
半教師付き学習は、ラベルなしデータを使用することでモデルパフォーマンスを向上させるための有望なアプローチを提供する。
整合性正則化は半教師付きイメージセグメンテーションにおいて一般的な方法であるが、半教師付き医療画像セグメンテーションタスクに適した摂動戦略の研究が数多く行われている。
本稿では,医療画像セグメンテーションの文脈における半教師付き整合正則化のための注意誘導型摂動戦略を提案する。
画像と特徴レベルのモデルからの注意に基づく摂動を加えて、一貫性の正則化を実現する。
本手法は、医用画像に固有の複雑な構造と高次元意味論の調整に適しており、半教師付きセグメンテーションタスクの性能を向上させる。
提案手法は,ACDCデータセットの90.4\%のDiceスコアを含む,ベンチマークデータセットの最先端結果を7ケースシナリオで達成した。
関連論文リスト
- Uncertainty Driven Bottleneck Attention U-net for Organ at Risk
Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。
本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。
正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文 参考訳(メタデータ) (2023-03-19T23:45:32Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳(メタデータ) (2023-01-13T12:03:58Z) - 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) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳(メタデータ) (2022-02-08T15:12:11Z) - An Embarrassingly Simple Consistency Regularization Method for
Semi-Supervised Medical Image Segmentation [0.0]
医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。
半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
論文 参考訳(メタデータ) (2022-02-01T16:21:14Z) - Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。
これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。
また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文 参考訳(メタデータ) (2021-06-12T15:43:24Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z)
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。