論文の概要: SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2411.11636v1
• Date: Mon, 18 Nov 2024 15:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:35:17.206394
• Title: SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation
• Title（参考訳）: SP${ }^3$ : 弱半教師付き医用画像セグメンテーションのためのスーパーピクセルプロパゲーション擬似ラベル学習
• Authors: Shiman Li, Jiayue Zhao, Shaolei Liu, Xiaokun Dai, Chenxi Zhang, Zhijian Song,
• Abstract要約: 弱半教師付きセグメンテーションにおいて,超Pixel-Propagated Pseudo-label Learning法を提案する。 本手法は,WSSS設定下での腫瘍と臓器のセグメンテーションデータセットの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 10.127428696255848
• License:
• Abstract: Deep learning-based medical image segmentation helps assist diagnosis and accelerate the treatment process while the model training usually requires large-scale dense annotation datasets. Weakly semi-supervised medical image segmentation is an essential application because it only requires a small amount of scribbles and a large number of unlabeled data to train the model, which greatly reduces the clinician's effort to fully annotate images. To handle the inadequate supervisory information challenge in weakly semi-supervised segmentation (WSSS), a SuperPixel-Propagated Pseudo-label (SP${}^3$) learning method is proposed, using the structural information contained in superpixel for supplemental information. Specifically, the annotation of scribbles is propagated to superpixels and thus obtains a dense annotation for supervised training. Since the quality of pseudo-labels is limited by the low-quality annotation, the beneficial superpixels selected by dynamic thresholding are used to refine pseudo-labels. Furthermore, aiming to alleviate the negative impact of noise in pseudo-label, superpixel-level uncertainty is incorporated to guide the pseudo-label supervision for stable learning. Our method achieves state-of-the-art performance on both tumor and organ segmentation datasets under the WSSS setting, using only 3\% of the annotation workload compared to fully supervised methods and attaining approximately 80\% Dice score. Additionally, our method outperforms eight weakly and semi-supervised methods under both weakly supervised and semi-supervised settings. Results of extensive experiments validate the effectiveness and annotation efficiency of our weakly semi-supervised segmentation, which can assist clinicians in achieving automated segmentation for organs or tumors quickly and ultimately benefit patients.
• Abstract（参考訳）: 深層学習に基づく医療画像セグメンテーションは診断を助け、治療プロセスを加速するのに役立つ。 弱々しい半教師付き医用画像セグメント化は、少量のスクリブルと大量の未ラベルデータだけでモデルを訓練できるため、臨床医が画像を完全に注釈付けする労力を大幅に減らすため、必須の応用である。 弱半教師付きセグメンテーション(WSSS)における不適切な監視情報問題に対処するために,スーパーピクセルに含まれる構造情報を補足情報に用いるスーパーPixel-Propagated Pseudo-label (SP${}^3$) 学習法を提案する。 具体的には、スクリブルのアノテーションをスーパーピクセルに伝播させ、教師付きトレーニングのための濃密なアノテーションを得る。 擬似ラベルの品質は低品質アノテーションによって制限されるため、動的しきい値によって選択された有利なスーパーピクセルは擬似ラベルを洗練するために使用される。 さらに、擬似ラベルにおける雑音の負の影響を軽減することを目的として、安定学習のための擬似ラベル監督を導くために、超画素レベルの不確実性が組み込まれている。 本手法は,WSSS設定下における腫瘍および臓器のセグメンテーションデータセットの最先端性能を,完全教師付き手法と比較して3倍のアノテーション負荷のみを用いて達成し,約80倍のDiceスコアを得る。 さらに,本手法は,弱弱弱弱教師付き手法と半弱教師付き手法の両方において,弱弱教師付き手法と半教師付き手法とを比較検討した。 その結果, 臓器や腫瘍の自動分節を早期に達成し, 最終的には患者に利益をもたらすような, 半教師の弱い分節法の有効性とアノテーションの有効性が検証された。

関連論文リスト

• Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
  教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。 このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。 半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:06Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• 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)
• 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)
• Pseudo-label refinement using superpixels for semi-supervised brain tumour segmentation [0.6767885381740952]
  限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。 半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。 擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T15:17:11Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• 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)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。