論文の概要: SGTC: Semantic-Guided Triplet Co-training for Sparsely Annotated Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2412.15526v1
- Date: Fri, 20 Dec 2024 03:31:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:24:02.577503
- Title: SGTC: Semantic-Guided Triplet Co-training for Sparsely Annotated Semi-Supervised Medical Image Segmentation
- Title（参考訳）: SGTC(Semantic-Guided Triplet Co-training)
- Authors: Ke Yan, Qing Cai, Fan Zhang, Ziyan Cao, Zhi Liu,
- Abstract要約: 本稿では,セマンティックガイド三重項協調学習フレームワークを提案する。
数個のボリュームサンプルの3つのスライスに注釈を付けるだけで、ハイエンドな医用画像セグメンテーションを実現する。
本手法は,スパースアノテーション設定下において,最先端の半教師付き手法よりも優れた性能を示す。
- 参考スコア（独自算出の注目度）: 12.168303995947795
- License:
- Abstract: Although semi-supervised learning has made significant advances in the field of medical image segmentation, fully annotating a volumetric sample slice by slice remains a costly and time-consuming task. Even worse, most of the existing approaches pay much attention to image-level information and ignore semantic features, resulting in the inability to perceive weak boundaries. To address these issues, we propose a novel Semantic-Guided Triplet Co-training (SGTC) framework, which achieves high-end medical image segmentation by only annotating three orthogonal slices of a few volumetric samples, significantly alleviating the burden of radiologists. Our method consist of two main components. Specifically, to enable semantic-aware, fine-granular segmentation and enhance the quality of pseudo-labels, a novel semantic-guided auxiliary learning mechanism is proposed based on the pretrained CLIP. In addition, focusing on a more challenging but clinically realistic scenario, a new triple-view disparity training strategy is proposed, which uses sparse annotations (i.e., only three labeled slices of a few volumes) to perform co-training between three sub-networks, significantly improving the robustness. Extensive experiments on three public medical datasets demonstrate that our method outperforms most state-of-the-art semi-supervised counterparts under sparse annotation settings. The source code is available at https://github.com/xmeimeimei/SGTC.
- Abstract（参考訳）: 半教師付き学習は医用画像のセグメンテーションの分野で大きな進歩を遂げているが、スライスによるボリュームサンプルスライスを完全に注釈付けすることはコストと時間を要する課題である。
さらに悪いことに、既存のアプローチのほとんどは画像レベルの情報に多くの注意を払い、セマンティックな特徴を無視しているため、弱い境界を認識できない。
これらの課題に対処するために,数個の検体から3つの直交スライスをアノテートするだけで,医用画像の高精細化を実現し,放射線技師の負担を大幅に軽減するセマンティックガイドトリプルト・コトレーニング(SGTC)フレームワークを提案する。
本手法は2つの主成分からなる。
具体的には、セマンティック・アウェア、微粒なセグメンテーションの実現と擬似ラベルの品質向上を目的として、事前訓練されたCLIPに基づいて、新しいセマンティック・ガイド付き補助学習機構を提案する。
さらに,より難易度が高く,臨床的に現実的なシナリオに焦点をあて,スパースアノテーション(数巻のラベル付きスライスのみ)を用いて3つのサブネットワーク間の協調トレーニングを行い,ロバスト性を大幅に向上させる新しい3重ビュー格差トレーニング戦略を提案する。
3つの公開医療データセットに対する大規模な実験により、我々の手法は、スパースアノテーション設定下において、最先端の半教師付きデータセットよりも優れていることが示された。
ソースコードはhttps://github.com/xmeimeimei/SGTCで入手できる。
関連論文リスト
- 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) - 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching
between 3D and 2D Networks [26.29122638813974]
本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。
MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-30T15:26:17Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - Inherent Consistent Learning for Accurate Semi-supervised Medical Image
Segmentation [30.06702813637713]
頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。
提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-03-24T17:38:03Z) - 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) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - One-shot Weakly-Supervised Segmentation in Medical Images [12.184590794655517]
ワンショットおよび弱教師付き設定による3次元医用画像セグメンテーションの革新的枠組みを提案する。
注釈付きボリュームからラベルなしの3D画像へスクリブルを投影するために,伝搬再構成ネットワークを提案する。
デュアルレベルの特徴記述モジュールは、解剖学的およびピクセルレベルの特徴に基づいて、スクリブルを洗練させるように設計されている。
論文 参考訳（メタデータ） (2021-11-21T09:14:13Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - 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) - 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。