論文の概要: Integrating Deep Metric Learning with Coreset for Active Learning in 3D Segmentation

• arxiv url: http://arxiv.org/abs/2411.15763v1
• Date: Sun, 24 Nov 2024 09:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:23:00.255510
• Title: Integrating Deep Metric Learning with Coreset for Active Learning in 3D Segmentation
• Title（参考訳）: 3次元セグメンテーションにおけるアクティブラーニングのためのコアセットによるディープメトリックラーニングの統合
• Authors: Arvind Murari Vepa, Zukang Yang, Andrew Choi, Jungseock Joo, Fabien Scalzo, Yizhou Sun,
• Abstract要約: 本稿では,Coresetの3次元医用セグメンテーションにおけるスライスに基づくアクティブラーニングを実現するための,新しい計量学習手法を提案する。 4つのデータセットにまたがる弱いアノテーションと完全なアノテーションを使って包括的な評価を行う。
• 参考スコア（独自算出の注目度）: 36.24328763901216
• License:
• Abstract: Deep learning has seen remarkable advancements in machine learning, yet it often demands extensive annotated data. Tasks like 3D semantic segmentation impose a substantial annotation burden, especially in domains like medicine, where expert annotations drive up the cost. Active learning (AL) holds great potential to alleviate this annotation burden in 3D medical segmentation. The majority of existing AL methods, however, are not tailored to the medical domain. While weakly-supervised methods have been explored to reduce annotation burden, the fusion of AL with weak supervision remains unexplored, despite its potential to significantly reduce annotation costs. Additionally, there is little focus on slice-based AL for 3D segmentation, which can also significantly reduce costs in comparison to conventional volume-based AL. This paper introduces a novel metric learning method for Coreset to perform slice-based active learning in 3D medical segmentation. By merging contrastive learning with inherent data groupings in medical imaging, we learn a metric that emphasizes the relevant differences in samples for training 3D medical segmentation models. We perform comprehensive evaluations using both weak and full annotations across four datasets (medical and non-medical). Our findings demonstrate that our approach surpasses existing active learning techniques on both weak and full annotations and obtains superior performance with low-annotation budgets which is crucial in medical imaging. Source code for this project is available in the supplementary materials and on GitHub: https://github.com/arvindmvepa/al-seg.
• Abstract（参考訳）: ディープラーニングは機械学習の目覚ましい進歩を経験してきたが、大規模な注釈付きデータを必要とすることが多い。 3Dセマンティックセグメンテーションのようなタスクは、特に専門家のアノテーションがコストを上昇させる医学のような分野において、かなりのアノテーション負担を課します。 アクティブラーニング(AL)は、3次元医療セグメント化において、このアノテーションの負担を軽減する大きな可能性を秘めている。 しかし、既存のALメソッドの大部分は、医療領域に適合していない。 アノテーションの負担を軽減するために弱い監督法が検討されているが、アノテーションのコストを大幅に削減する可能性にもかかわらず、弱い監督を伴うALの融合は未検討のままである。 さらに,3次元分割のためのスライスベースALにはほとんど焦点が当てられず,従来のボリュームベースALと比較してコストを大幅に削減できる。 本稿では,Coresetの3次元医用セグメンテーションにおけるスライスに基づくアクティブラーニングを実現するための,新しい計量学習手法を提案する。 医用画像における対照的な学習と本質的なデータグルーピングを融合させることで、3次元医用セグメンテーションモデルのトレーニングのためのサンプルの関連性を強調する指標を学習する。 4つのデータセット(医療と非医療)にまたがる弱いアノテーションと完全なアノテーションを用いて総合的な評価を行う。 本研究は,医用画像に欠かせない低アノテーション予算で,弱アノテーションとフルアノテーションの両方で既存の能動的学習手法を超越し,優れた性能が得られることを示す。 このプロジェクトのソースコードは、追加資料とGitHubで入手できる。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• MedContext: Learning Contextual Cues for Efficient Volumetric Medical Segmentation [25.74088298769155]
  医用3次元セグメンテーションのためのユニバーサルトレーニングフレームワークMedContextを提案する。 本手法は,教師付きボクセルセグメンテーションタスクと協調して,自己教師付きコンテキストキューを効果的に学習する。 MedContextの有効性は、複数の3D医療データセットと4つの最先端モデルアーキテクチャで検証されている。
  論文  参考訳（メタデータ） (2024-02-27T17:58:05Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• 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)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)
• Weak Supervision in Convolutional Neural Network for Semantic Segmentation of Diffuse Lung Diseases Using Partially Annotated Dataset [2.239917051803692]
  5種類の肺疾患に対するセマンティックセグメンテーションモデルを構築した。 この研究で考慮されたDLDは、凝縮、ガラス不透明度、ハニカム、気腫、正常である。 部分的に注釈付けされたデータセットを効果的に活用する新しい弱い監視手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T06:17:11Z)

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。