論文の概要: Neighbor Does Matter: Density-Aware Contrastive Learning for Medical Semi-supervised Segmentation

• arxiv url: http://arxiv.org/abs/2412.19871v1
• Date: Fri, 27 Dec 2024 13:57:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:02:37.457223
• Title: Neighbor Does Matter: Density-Aware Contrastive Learning for Medical Semi-supervised Segmentation
• Title（参考訳）: 医学的半教師付きセグメンテーションのための密度を考慮したコントラスト学習
• Authors: Feilong Tang, Zhongxing Xu, Ming Hu, Wenxue Li, Peng Xia, Yiheng Zhong, Hanjun Wu, Jionglong Su, Zongyuan Ge,
• Abstract要約: 我々は,特徴空間の幾何から,監督情報を直接抽出できることを論じる。 密度に基づくクラスタリング仮説に着想を得て,特徴密度を用いて特徴クラスタ内のスパース領域を特定することを提案する。 本手法は, ラベル付きおよびラベルなしデータサンプルを用いて, 特徴密度を推定し, スパース領域の同定を行う。
• 参考スコア（独自算出の注目度）: 17.69408044083565
• License:
• Abstract: In medical image analysis, multi-organ semi-supervised segmentation faces challenges such as insufficient labels and low contrast in soft tissues. To address these issues, existing studies typically employ semi-supervised segmentation techniques using pseudo-labeling and consistency regularization. However, these methods mainly rely on individual data samples for training, ignoring the rich neighborhood information present in the feature space. In this work, we argue that supervisory information can be directly extracted from the geometry of the feature space. Inspired by the density-based clustering hypothesis, we propose using feature density to locate sparse regions within feature clusters. Our goal is to increase intra-class compactness by addressing sparsity issues. To achieve this, we propose a Density-Aware Contrastive Learning (DACL) strategy, pushing anchored features in sparse regions towards cluster centers approximated by high-density positive samples, resulting in more compact clusters. Specifically, our method constructs density-aware neighbor graphs using labeled and unlabeled data samples to estimate feature density and locate sparse regions. We also combine label-guided co-training with density-guided geometric regularization to form complementary supervision for unlabeled data. Experiments on the Multi-Organ Segmentation Challenge dataset demonstrate that our proposed method outperforms state-of-the-art methods, highlighting its efficacy in medical image segmentation tasks.
• Abstract（参考訳）: 医用画像解析において、多臓器の半教師付きセグメンテーションは、不十分なラベルや軟組織における低コントラストといった課題に直面している。 これらの問題に対処するために、既存の研究は通常、擬似ラベルと整合正則化を用いた半教師付きセグメンテーション技術を用いている。 しかし,これらの手法は主に,特徴空間に存在する豊富な近隣情報を無視して,個々のデータサンプルに頼っている。 本研究では,特徴空間の幾何学的構造から,監督情報を直接抽出できることを論じる。 密度に基づくクラスタリング仮説に着想を得て,特徴密度を用いて特徴クラスタ内のスパース領域を特定することを提案する。 我々のゴールは、スパーシティ問題に対処することでクラス内のコンパクト性を高めることである。 そこで本研究では,高密度正のサンプルによって近似されたクラスタ中心に対して,スパース領域のアンカー化特徴を推し進め,よりコンパクトなクラスタを実現するためのDACL(Depcent-Aware Contrastive Learning)戦略を提案する。 具体的には、ラベル付きおよびラベルなしデータサンプルを用いて、特徴密度を推定し、スパース領域を特定することで、密度を意識した隣接グラフを構築する。 また,ラベル誘導型協調学習と密度誘導型幾何正規化を組み合わせることで,ラベルなしデータの補完的監視を行う。 マルチオーガンセグメンテーションチャレンジデータセットの実験では,提案手法は最先端の手法よりも優れており,医用画像セグメンテーションタスクにおけるその有効性を強調している。

関連論文リスト

• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• GFDC: A Granule Fusion Density-Based Clustering with Evidential Reasoning [22.526274021556755]
  密度に基づくクラスタリングアルゴリズムは任意の形状のクラスタを検出できるため、広く適用されている。 本稿では,GFDCを用いた粒界融合密度クラスタリングを提案する。 サンプルの局所密度と大域密度は、まずスパース度測定によって測定される。 次に、情報グラニュラーを高密度および低密度領域に生成し、大きな密度差を持つクラスタの処理を支援する。
  論文  参考訳（メタデータ） (2023-05-20T06:27:31Z)
• In Defense of Core-set: A Density-aware Core-set Selection for Active Learning [3.6753274024067593]
  実世界のアクティブな学習シナリオでは、選択されたサンプルの多様性を考慮することが重要である。 本研究では,密度レンズを用いて特徴空間を解析し,密度認識コアセット(DACS)を提案する。 本手法は, 未ラベル試料の密度を推定し, 主にスパース領域から多種多様な試料を抽出する。
  論文  参考訳（メタデータ） (2022-06-10T01:47:49Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Non-Salient Region Object Mining for Weakly Supervised Semantic Segmentation [64.2719590819468]
  弱教師付きセマンティックセグメンテーションのための非塩分領域オブジェクトマイニング手法を提案する。 擬似ラベルの偽陰性率を低減するために、潜在的なオブジェクトマイニングモジュールを提案する。 非サリエント領域マスキングモジュールは、非サリエント領域内のオブジェクトをさらに発見するのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-26T16:44:03Z)
• 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)
• Density-Aware Graph for Deep Semi-Supervised Visual Recognition [102.9484812869054]
  半教師付き学習(SSL)は、視覚認識のためのディープニューラルネットワークの一般化能力を改善するために広く研究されている。 本稿では,周辺情報を容易に活用できる新しい密度対応グラフを構築することでSSL問題を解決することを提案する。
  論文  参考訳（メタデータ） (2020-03-30T02:52:40Z)

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。