論文の概要: Minding Fuzzy Regions: A Data-driven Alternating Learning Paradigm for Stable Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2503.11140v1
• Date: Fri, 14 Mar 2025 07:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:07:21.548196
• Title: Minding Fuzzy Regions: A Data-driven Alternating Learning Paradigm for Stable Lesion Segmentation
• Title（参考訳）: Minding Fuzzy Regions: 安定した病変分割のためのデータ駆動交代学習パラダイム
• Authors: Lexin Fang, Yunyang Xu, Xiang Ma, Xuemei Li, Caiming Zhang,
• Abstract要約: 医用画像の病変領域には境界の曖昧さ、不規則な形状、組織密度の小さな違いがあり、ラベルの曖昧さにつながっている。 既存のモデルは、トレーニングプロセスで品質の違いを考慮することなく、すべてのデータを均等に扱う。 データ駆動の交互学習パラダイムが提案され、モデルのトレーニングプロセスを最適化し、安定かつ高精度なセグメンテーションを実現する。
• 参考スコア（独自算出の注目度）: 10.40198497843647
• License:
• Abstract: Deep learning has achieved significant advancements in medical image segmentation, but existing models still face challenges in accurately segmenting lesion regions. The main reason is that some lesion regions in medical images have unclear boundaries, irregular shapes, and small tissue density differences, leading to label ambiguity. However, the existing model treats all data equally without taking quality differences into account in the training process, resulting in noisy labels negatively impacting model training and unstable feature representations. In this paper, a data-driven alternating learning (DALE) paradigm is proposed to optimize the model's training process, achieving stable and high-precision segmentation. The paradigm focuses on two key points: (1) reducing the impact of noisy labels, and (2) calibrating unstable representations. To mitigate the negative impact of noisy labels, a loss consistency-based collaborative optimization method is proposed, and its effectiveness is theoretically demonstrated. Specifically, the label confidence parameters are introduced to dynamically adjust the influence of labels of different confidence levels during model training, thus reducing the influence of noise labels. To calibrate the learning bias of unstable representations, a distribution alignment method is proposed. This method restores the underlying distribution of unstable representations, thereby enhancing the discriminative capability of fuzzy region representations. Extensive experiments on various benchmarks and model backbones demonstrate the superiority of the DALE paradigm, achieving an average performance improvement of up to 7.16%.
• Abstract（参考訳）: 深層学習は、医用画像のセグメンテーションにおいて顕著な進歩を遂げてきたが、既存のモデルは、病変領域を正確にセグメンテーションする際の課題に直面している。 主な理由は、医用画像の病変領域には境界、不規則な形状、組織密度の小さな違いがあり、ラベルの曖昧さに繋がるからである。 しかし、既存のモデルはトレーニングプロセスにおいて品質の違いを考慮せずに全てのデータを均等に扱うため、ノイズの多いラベルはモデルのトレーニングや不安定な特徴表現に悪影響を及ぼす。 本稿では,データ駆動交互学習(DALE)パラダイムを提案し,モデルの学習過程を最適化し,安定かつ高精度なセグメンテーションを実現する。 このパラダイムは、(1)ノイズラベルの影響を減らし、(2)不安定な表現を校正する2つのキーポイントに焦点を当てている。 雑音ラベルの負の影響を軽減するため、損失一貫性に基づく協調最適化法を提案し、その効果を理論的に実証した。 具体的には、モデルトレーニング中に異なる信頼レベルのラベルの影響を動的に調整するためにラベル信頼パラメータを導入し、ノイズラベルの影響を低減させる。 不安定な表現の学習バイアスを校正するために,分布アライメント法を提案する。 この方法は不安定な表現の基盤となる分布を復元し、ファジィ領域表現の識別能力を高める。 様々なベンチマークやモデルバックボーンに関する大規模な実験は、DALEパラダイムの優位性を実証し、平均的なパフォーマンス改善を7.16%まで達成した。

関連論文リスト

• Bidirectional Uncertainty-Aware Region Learning for Semi-Supervised Medical Image Segmentation [1.6229760224067287]
  半教師付き医療画像のセグメンテーションでは、ラベルのないデータの質が悪く、モデルの予測の不確かさが誤った擬似ラベルにつながる。 これらの誤った偽ラベルは、通常、不確実な領域に集中していることがわかった。 そこで本研究では,この問題を解決するために,双方向不確実性を考慮した地域学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-11T11:03:09Z)
• Adaptive Bidirectional Displacement for Semi-Supervised Medical Image Segmentation [11.195959019678314]
  整合性学習は、半教師付き医療画像セグメンテーションにおいて、ラベルのないデータに取り組むための中心的な戦略である。 本稿では,上記の課題を解決するための適応的双方向変位法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T08:17:43Z)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
  ノイズラベルは、医学診断や自律運転などの領域で一般的である。 本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。 以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-16T16:43:24Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Label fusion and training methods for reliable representation of inter-rater uncertainty [0.0]
  複数のレーダからのアノテーションによるディープラーニングネットワークのトレーニングは、モデルの偏見を1人の専門家に緩和する。 異なる専門家のラベルを考慮する様々な方法が存在する。 STAPLE, レートラのセグメンテーションの平均値, トレーニング中に各レートラのセグメンテーションをランダムにサンプリングする3つのラベル融合法を比較した。
  論文  参考訳（メタデータ） (2022-02-15T16:35:47Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)

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。