論文の概要: Prototype Contrastive Consistency Learning for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2502.06650v1
• Date: Mon, 10 Feb 2025 16:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:31:30.473823
• Title: Prototype Contrastive Consistency Learning for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: 半監督型医用画像分割のためのプロトタイプコントラスト整合学習
• Authors: Shihuan He, Zhihui Lai, Ruxin Wang, Heng Kong,
• Abstract要約: コントラスト学習は、半教師あり学習における医用画像のセグメンテーションに有効であることが証明されている。 半教師型医用画像セグメンテーションのためのプロトタイプコントラスト・コントラスト・コントラスト・コントラスト・コントラスト(PCCS)の試作手法を提案する。 PCCSは最先端の手法よりもセグメンテーション性能が高い。
• 参考スコア（独自算出の注目度）: 20.770556378026768
• License:
• Abstract: Medical image segmentation is a crucial task in medical image analysis, but it can be very challenging especially when there are less labeled data but with large unlabeled data. Contrastive learning has proven to be effective for medical image segmentation in semi-supervised learning by constructing contrastive samples from partial pixels. However, although previous contrastive learning methods can mine semantic information from partial pixels within images, they ignore the whole context information of unlabeled images, which is very important to precise segmentation. In order to solve this problem, we propose a novel prototype contrastive learning method called Prototype Contrastive Consistency Segmentation (PCCS) for semi-supervised medical image segmentation. The core idea is to enforce the prototypes of the same semantic class to be closer and push the prototypes in different semantic classes far away from each other. Specifically, we construct a signed distance map and an uncertainty map from unlabeled images. The signed distance map is used to construct prototypes for contrastive learning, and then we estimate the prototype uncertainty from the uncertainty map as trade-off among prototypes. In order to obtain better prototypes, based on the student-teacher architecture, a new mechanism named prototype updating prototype is designed to assist in updating the prototypes for contrastive learning. In addition, we propose an uncertainty-consistency loss to mine more reliable information from unlabeled data. Extensive experiments on medical image segmentation demonstrate that PCCS achieves better segmentation performance than the state-of-the-art methods. The code is available at https://github.com/comphsh/PCCS.
• Abstract（参考訳）: 医用画像のセグメンテーションは、医用画像解析において重要な課題であるが、ラベル付データが少ないがラベル付データが大きい場合には特に非常に困難である。 コントラスト学習は半教師あり学習における医用画像のセグメンテーションに有効であることが証明されている。 しかし,従来のコントラスト学習手法では画像内の部分画素から意味情報をマイニングすることができるが,正確なセグメンテーションにおいて非常に重要であるラベル付き画像のコンテキスト情報全体を無視する。 そこで本研究では,半教師型医用画像分割のためのPCCS(Prototype Contrastive Consistency Segmentation)と呼ばれる新しいコントラスト学習手法を提案する。 中心となる考え方は、同じセマンティッククラスのプロトタイプを近くまで強制し、異なるセマンティッククラスのプロトタイプを互いに遠くまで押し付けることである。 具体的には、ラベルのない画像から符号付き距離マップと不確実性マップを構築する。 符号付き距離マップは、対照的な学習のためのプロトタイプを構築するために使用され、プロトタイプ間のトレードオフとして不確実性マップからプロトタイプの不確かさを推定する。 学生と教師のアーキテクチャに基づいて、より良いプロトタイプを得るために、プロトタイプ更新プロトタイプと呼ばれる新しいメカニズムが設計され、対照的な学習のためにプロトタイプの更新を支援する。 さらに,ラベルのないデータから信頼性の高い情報を抽出する不確実性損失を提案する。 医用画像のセグメンテーションに関する大規模な実験は、PCCSが最先端の手法よりも優れたセグメンテーション性能を達成することを示した。 コードはhttps://github.com/comphsh/PCCSで公開されている。

関連論文リスト

• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• Mixed Prototype Consistency Learning for Semi-supervised Medical Image Segmentation [0.0]
  本稿では,Mixed Prototype Consistency Learning (MPCL) フレームワークを提案する。 Mean Teacherはラベル付きおよびラベルなしデータのプロトタイプを生成し、補助ネットワークはCutMixによって処理された混合データのための追加のプロトタイプを生成する。 各クラスの高品質なグローバルプロトタイプは、2つの強化されたプロトタイプを融合して形成され、一貫性学習に使用される隠れ埋め込みの分布を最適化する。
  論文  参考訳（メタデータ） (2024-04-16T16:51:12Z)
• Prototype Learning for Out-of-Distribution Polyp Segmentation [2.6179759969345002]
  大腸内視鏡画像からの既存のポリプセグメンテーションモデルは、しばしば異なる中心からのデータセットに対する信頼性の高いセグメンテーション結果の提供に失敗する。 当社のモデルは,複数のセンタからのアウト・オブ・ディストリビューション(OOD)データセットを効果的に処理するように設計されている。 PrototypeLabは、ダイス係数が$geq$90%、mIoU $geq$85%、ポリプセグメンテーションのほぼリアルタイム処理速度を備えた有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-08-07T16:30:24Z)
• 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)
• Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through Self-Supervision With Supervoxels [23.021720656733088]
  そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。 我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。 セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
  論文  参考訳（メタデータ） (2022-03-03T22:36:39Z)
• Diversified Multi-prototype Representation for Semi-supervised Segmentation [9.994508738317585]
  この研究は、半教師付きセグメンテーションをプロトタイプベクトル相関に基づく密度予測問題と考える。 ネットワークによって全てのプロトタイプベクトルが考慮されることを保証するために、2つの正規化戦略が適用される。 2つのベンチマーク医用セグメンテーションデータセットの実験結果から,アノテート画像が少ない場合にセグメンテーション性能を向上させる方法の有効性が明らかになった。
  論文  参考訳（メタデータ） (2021-11-16T17:33:58Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Semantically Meaningful Class Prototype Learning for One-Shot Image Semantic Segmentation [58.96902899546075]
  ワンショットセマンティックイメージセグメンテーションは、1つの注釈付きイメージで新しいクラスのオブジェクト領域を分割することを目的としている。 最近の研究では、テスト時に予想される状況を模倣するために、エピソディクストレーニング戦略を採用している。 エピソードトレーニングにおいて,マルチクラスラベル情報を活用することを提案する。 ネットワークが各カテゴリに対してより意味のある機能を生成するように促すだろう。
  論文  参考訳（メタデータ） (2021-02-22T12:07:35Z)
• Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
  本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。 私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。 提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-07-13T11:03:09Z)

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。