論文の概要: BASIC: Semi-supervised Multi-organ Segmentation with Balanced Subclass Regularization and Semantic-conflict Penalty
- arxiv url: http://arxiv.org/abs/2501.03580v1
- Date: Tue, 07 Jan 2025 07:08:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:49:34.880750
- Title: BASIC: Semi-supervised Multi-organ Segmentation with Balanced Subclass Regularization and Semantic-conflict Penalty
- Title(参考訳): BASIC: バランスの取れたサブクラス正規化とセマンティック・コンフリクトのペナルティを併用した半教師付き多臓器分割
- Authors: Zhenghao Feng, Lu Wen, Yuanyuan Xu, Binyu Yan, Xi Wu, Jiliu Zhou, Yan Wang,
- Abstract要約: BAlanced Subclass regularIzation and semantic-Conflict penalty mechanism (BASIC) を用いた,半教師付きマルチオーガナイゼーション(MoS)のための未バイアス知識の学習を目的とした,革新的な半教師付きネットワークを提案する。
サブクラス内の類似のセマンティック情報とそれに対応するオリジナルクラスを考慮し, 親クラスと矛盾するSCS予測に対して, 重度の罰を課すような, セマンティック・コンフリクトのペナルティ機構を考案した。
- 参考スコア(独自算出の注目度): 10.492173873748214
- License:
- Abstract: Semi-supervised learning (SSL) has shown notable potential in relieving the heavy demand of dense prediction tasks on large-scale well-annotated datasets, especially for the challenging multi-organ segmentation (MoS). However, the prevailing class-imbalance problem in MoS caused by the substantial variations in organ size exacerbates the learning difficulty of the SSL network. To address this issue, in this paper, we propose an innovative semi-supervised network with BAlanced Subclass regularIzation and semantic-Conflict penalty mechanism (BASIC) to effectively learn the unbiased knowledge for semi-supervised MoS. Concretely, we construct a novel auxiliary subclass segmentation (SCS) task based on priorly generated balanced subclasses, thus deeply excavating the unbiased information for the main MoS task with the fashion of multi-task learning. Additionally, based on a mean teacher framework, we elaborately design a balanced subclass regularization to utilize the teacher predictions of SCS task to supervise the student predictions of MoS task, thus effectively transferring unbiased knowledge to the MoS subnetwork and alleviating the influence of the class-imbalance problem. Considering the similar semantic information inside the subclasses and their corresponding original classes (i.e., parent classes), we devise a semantic-conflict penalty mechanism to give heavier punishments to the conflicting SCS predictions with wrong parent classes and provide a more accurate constraint to the MoS predictions. Extensive experiments conducted on two publicly available datasets, i.e., the WORD dataset and the MICCAI FLARE 2022 dataset, have verified the superior performance of our proposed BASIC compared to other state-of-the-art methods.
- Abstract(参考訳): 半教師付き学習(SSL)は、大規模な注釈付きデータセット、特に挑戦的なマルチ組織セグメンテーション(MoS)において、高密度予測タスクの強い需要を緩和する上で、顕著な可能性を示している。
しかし,臓器サイズが大きく変化したことによるMoSのクラス不均衡問題は,SSLネットワークの学習困難を悪化させる。
本稿では, BAlanced Subclass regularIzation と意味紛争補償機構 (BASIC) を用いた, 半教師付きMOSの非バイアス知識を効果的に学習するための, 革新的な半教師付きネットワークを提案する。
具体的には、予め生成されたバランスの取れたサブクラスに基づいて、新しい補助サブクラスセグメンテーション(SCS)タスクを構築し、マルチタスク学習の手法を用いて、メインのMoSタスクのバイアスのない情報を深く掘り下げる。
さらに、平均的な教師の枠組みに基づいて、バランスのとれたサブクラス正規化を精巧に設計し、SCSタスクの教師予測を利用してMoSタスクの生徒予測を監督し、非バイアスの知識をMoSサブネットワークに効果的に転送し、クラス不均衡問題の影響を軽減する。
サブクラス内の類似した意味情報と対応する元のクラス(例えば親クラス)を考慮すると、矛盾するSCS予測と間違った親クラスとの重大な罰を課し、MoS予測により正確な制約を与えるセマンティック・コンフリクト・ペナルティ・メカニズムを考案する。
WORDデータセットとMICCAI FLARE 2022データセットの2つの公開データセットで実施された大規模な実験により、提案したBASICの性能は他の最先端手法と比較して高い性能が確認された。
関連論文リスト
- On the Discrimination and Consistency for Exemplar-Free Class Incremental Learning [19.898602404329697]
Exemplar-free class incremental learning (EF-CIL) は非自明なタスクであり、新しいクラスでモデル能力を継続的に強化し、古いクラスの例を保存・再生することなく、学習した知識を維持しながら、新しいクラスでモデル能力を増強する必要がある。
CILのための新たな理論誘導フレームワークは、共有ネットワークのタスク固有モデルを訓練し、忘れるプレッシャーをタスクID予測にシフトさせる。
EF-CILでは、タスク間相互作用の欠如(例:例題のリプレイ)によりタスクID予測がより困難になる。
論文 参考訳(メタデータ) (2025-01-26T08:50:33Z) - Alleviating Class Imbalance in Semi-supervised Multi-organ Segmentation via Balanced Subclass Regularization [3.5622306331369993]
マルチオーガニックセグメンテーション(MoS)のための2相半教師付きネットワーク(BSR-Net)について述べる。
フェーズIでは、バランスの取れたクラスタリングに基づいて、クラスバランスの取れたサブクラス生成戦略を導入する。
The Phase II, we design a assistant subclass segmentation task in the multi-task framework of the main MoS task。
SCSタスクは、バランスの取れたサブクラス正規化をメインのMoSタスクに寄与し、バイアスのない知識をMoSネットワークに転送する。
論文 参考訳(メタデータ) (2024-08-26T07:02:17Z) - Sequential Binary Classification for Intrusion Detection [0.0]
IDSデータセットは、標準MLモデルの性能に影響を及ぼす高いクラス不均衡に悩まされる。
本稿では,多クラス分類問題におけるクラス不均衡に対する構造的アプローチについて検討する。
ベンチマークIDSデータセットの実験では、SBCが示すように、クラス不均衡を扱うための構造的アプローチが、この問題を扱うための実行可能なアプローチであることを実証している。
論文 参考訳(メタデータ) (2024-06-10T08:34:13Z) - Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection [111.0991686509715]
半教師付き物体検出(SSOD)におけるクラス不均衡問題を,より困難なシナリオ下で検討する。
本稿では,2種類の確認バイアスの観点から,クラス不均衡問題に対処する,単純かつ効果的な勾配に基づくサンプリングフレームワークを提案する。
提案手法は,MS-COCO,MS-COCO,Object365,LVISの3種類のサブタスクにおいて,現行の非平衡物体検出器よりもクリアマージンの方が優れていることを示す。
論文 参考訳(メタデータ) (2024-03-22T11:30:10Z) - Uncertainty-guided Boundary Learning for Imbalanced Social Event
Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。
我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文 参考訳(メタデータ) (2023-10-30T03:32:04Z) - Cross-head mutual Mean-Teaching for semi-supervised medical image
segmentation [6.738522094694818]
SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。
既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。
強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
論文 参考訳(メタデータ) (2023-10-08T09:13:04Z) - Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。
BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
論文 参考訳(メタデータ) (2022-08-22T09:07:02Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳(メタデータ) (2022-02-11T13:49:51Z) - Boosting Discriminative Visual Representation Learning with
Scenario-Agnostic Mixup [54.09898347820941]
自己教師付き学習(SSL)と教師付き学習(SL)の両方のシナリオに対して,textbfScenario-textbfAgnostic textbfMixup (SAMix)を提案する。
具体的には、2つの混合クラス間の局所的な滑らかさを最適化するために、混合生成の目的関数を仮説化し、検証する。
非自明な混合サンプルを効果的に提供し、転送可能な能力を向上させるラベルフリーな生成サブネットワークを設計する。
論文 参考訳(メタデータ) (2021-11-30T14:49:59Z) - Analyzing Overfitting under Class Imbalance in Neural Networks for Image
Segmentation [19.259574003403998]
画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。
本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
論文 参考訳(メタデータ) (2021-02-20T14:57:58Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳(メタデータ) (2020-09-08T21:55:22Z)
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。