論文の概要: Semi-Supervised Medical Image Segmentation via Knowledge Mining from Large Models

• arxiv url: http://arxiv.org/abs/2503.06816v1
• Date: Mon, 10 Mar 2025 00:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:45.248592
• Title: Semi-Supervised Medical Image Segmentation via Knowledge Mining from Large Models
• Title（参考訳）: 大規模モデルからの知識マイニングによる半監督的医用画像分割
• Authors: Yuchen Mao, Hongwei Li, Yinyi Lai, Giorgos Papanastasiou, Peng Qi, Yunjie Yang, Chengjia Wang,
• Abstract要約: 本研究では,小規模でローカルにホストされたディープラーニングモデルの性能向上を目的とした戦略的知識マイニング手法を提案する。 我々は、限定ラベル付きデータセット上でU-Net++モデルをトレーニングし、未ラベル画像に推論されたSAMの出力をプロンプトに変換することで、その能力を拡張した。 提案手法は,ベースラインの U-Net++ モデルに対して,Dice のセグメント化性能を 3% と 1% に向上させる。
• 参考スコア（独自算出の注目度）: 7.470921455418383
• License:
• Abstract: Large-scale vision models like SAM have extensive visual knowledge, yet their general nature and computational demands limit their use in specialized tasks like medical image segmentation. In contrast, task-specific models such as U-Net++ often underperform due to sparse labeled data. This study introduces a strategic knowledge mining method that leverages SAM's broad understanding to boost the performance of small, locally hosted deep learning models. In our approach, we trained a U-Net++ model on a limited labeled dataset and extend its capabilities by converting SAM's output infered on unlabeled images into prompts. This process not only harnesses SAM's generalized visual knowledge but also iteratively improves SAM's prediction to cater specialized medical segmentation tasks via U-Net++. The mined knowledge, serving as "pseudo labels", enriches the training dataset, enabling the fine-tuning of the local network. Applied to the Kvasir SEG and COVID-QU-Ex datasets which consist of gastrointestinal polyp and lung X-ray images respectively, our proposed method consistently enhanced the segmentation performance on Dice by 3% and 1% respectively over the baseline U-Net++ model, when the same amount of labelled data were used during training (75% and 50% of labelled data). Remarkably, our proposed method surpassed the baseline U-Net++ model even when the latter was trained exclusively on labeled data (100% of labelled data). These results underscore the potential of knowledge mining to overcome data limitations in specialized models by leveraging the broad, albeit general, knowledge of large-scale models like SAM, all while maintaining operational efficiency essential for clinical applications.
• Abstract（参考訳）: SAMのような大規模な視覚モデルには広範な視覚的知識があるが、その一般的な性質と計算要求は、医療画像のセグメンテーションのような専門的なタスクでの使用を制限する。 対照的に、U-Net++のようなタスク固有のモデルは、粗末なラベル付きデータによって性能が劣ることが多い。 本研究では,SAMの広義理解を活用して,局所的にホストされた小規模深層学習モデルの性能を向上させる戦略的知識マイニング手法を提案する。 提案手法では,限定ラベル付きデータセット上でU-Net++モデルをトレーニングし,未ラベル画像に推論されたSAMの出力をプロンプトに変換することにより,その能力を拡張した。 このプロセスは、SAMの一般化された視覚知識を活用するだけでなく、SAMの予測を反復的に改善し、U-Net++を介して専門的な医療セグメンテーションタスクを実行する。 プシュードラベル"として機能するマイニングされた知識は、トレーニングデータセットを強化し、ローカルネットワークの微調整を可能にする。 Kvasir SEG と COVID-QU-Ex をそれぞれ消化器ポリプと肺X線画像からなるデータセットに適用し、トレーニング中に同じラベル付きデータ(75%と50%)を使用した場合、Dice のセグメンテーション性能をベースライン U-Net++ モデルで 3% と 1% に改善した。 提案手法は,ラベル付きデータ(ラベル付きデータの100%)にのみトレーニングされた場合でも,ベースラインのU-Net++モデルを上回った。 これらの結果は、SAMのような大規模モデルの幅広い知識を活用しながら、臨床応用に必要な運用効率を維持しながら、専門モデルにおけるデータ制限を克服する知識マイニングの可能性を強調している。

関連論文リスト

• Medical Image Segmentation with SAM-generated Annotations [12.432602118806573]
  医療データのアノテーションツールとしてSegment Anything Model(SAM)の性能を評価する。 我々は,MSD (Medicical Decathlon) のCT (Computerd tomography) タスク上で,いわゆる「擬似ラベル」を生成する。 擬似ラベルは、弱教師付きでUNetモデルをトレーニングするために、地上の真理ラベルの代わりに使用される。
  論文  参考訳（メタデータ） (2024-09-30T12:43:20Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• Segment Together: A Versatile Paradigm for Semi-Supervised Medical Image Segmentation [17.69933345468061]
  医用画像セグメンテーションのための強力なディープラーニングモデルをトレーニングする上で、不足は大きな障害となっている。 textbfVersatile textbfSemi-supervised framework を導入する。
  論文  参考訳（メタデータ） (2023-11-20T11:35:52Z)
• A Simple and Efficient Baseline for Data Attribution on Images [107.12337511216228]
  現在の最先端のアプローチでは、モデル予測を正確に評価するために、最大30万のモデルの大規模なアンサンブルが必要となる。 本研究では、自己教師付き学習によって事前訓練されたバックボーンの特徴空間を利用して、データ帰属を行うミニマリストベースラインに焦点を当てる。 提案手法はモデルに依存しず,大規模データセットに容易にスケールできる。
  論文  参考訳（メタデータ） (2023-11-03T17:29:46Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Ladder Fine-tuning approach for SAM integrating complementary network [5.46706034286531]
  医用画像では、プライバシー問題やその他の要因によるトレーニングサンプルの欠如が、これらの一般化されたモデルを医用画像分割タスクに適用する上で大きな課題となっている。 本研究では、医用画像分割のための標準SAMネットワークとともに、補完的な畳み込みニューラルネットワーク(CNN)を提案する。 この戦略は、トレニッヒ時間を著しく短縮し、公開データセット上での競合的な結果を達成する。
  論文  参考訳（メタデータ） (2023-06-22T08:36:17Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• Hierarchical Self-Supervised Learning for Medical Image Segmentation Based on Multi-Domain Data Aggregation [23.616336382437275]
  医用画像分割のための階層型自己監督学習(HSSL)を提案する。 まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。 スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2021-07-10T18:17:57Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。