論文の概要: Balancing Multi-Target Semi-Supervised Medical Image Segmentation with Collaborative Generalist and Specialists

• arxiv url: http://arxiv.org/abs/2504.00862v1
• Date: Tue, 01 Apr 2025 14:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 15:43:09.14917
• Title: Balancing Multi-Target Semi-Supervised Medical Image Segmentation with Collaborative Generalist and Specialists
• Title（参考訳）: 共同ジェネラリストとスペシャリストによる多目的半スーパービジョン医療画像セグメンテーションのバランス
• Authors: You Wang, Zekun Li, Lei Qi, Qian Yu, Yinghuan Shi, Yang Gao,
• Abstract要約: 我々は,協力的ジェネリストと複数のスペシャリストからなる新しい手法をCGSと呼ぶ。 それぞれのターゲットクラスにスペシャリストを雇うという考え方が中心であり、より大きなターゲットの優位性を避ける。 理論的知見に基づいて,CGSがよりバランスの取れたトレーニングを達成できることを実証する。
• 参考スコア（独自算出の注目度）: 40.736839476426134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the promising performance achieved by current semi-supervised models in segmenting individual medical targets, many of these models suffer a notable decrease in performance when tasked with the simultaneous segmentation of multiple targets. A vital factor could be attributed to the imbalanced scales among different targets: during simultaneously segmenting multiple targets, large targets dominate the loss, leading to small targets being misclassified as larger ones. To this end, we propose a novel method, which consists of a Collaborative Generalist and several Specialists, termed CGS. It is centered around the idea of employing a specialist for each target class, thus avoiding the dominance of larger targets. The generalist performs conventional multi-target segmentation, while each specialist is dedicated to distinguishing a specific target class from the remaining target classes and the background. Based on a theoretical insight, we demonstrate that CGS can achieve a more balanced training. Moreover, we develop cross-consistency losses to foster collaborative learning between the generalist and the specialists. Lastly, regarding their intrinsic relation that the target class of any specialized head should belong to the remaining classes of the other heads, we introduce an inter-head error detection module to further enhance the quality of pseudo-labels. Experimental results on three popular benchmarks showcase its superior performance compared to state-of-the-art methods.
• Abstract（参考訳）: 現在の半教師付きモデルが個々の医療ターゲットを分割する際の有望な性能にもかかわらず、これらのモデルの多くは、複数のターゲットの同時セグメンテーションを行う際に顕著な性能低下を被る。 複数のターゲットを同時にセグメンテーションする間、大きなターゲットが損失を支配し、小さなターゲットが大きなターゲットとして誤って分類される。 そこで本研究では,協力的ジェネリストと CGS と呼ばれる数人のスペシャリストからなる新しい手法を提案する。 それぞれのターゲットクラスにスペシャリストを雇うという考え方が中心であり、より大きなターゲットの優位性を避ける。 ジェネラリストは従来のマルチターゲットセグメンテーションを実行し、各スペシャリストは特定のターゲットクラスと残りのターゲットクラスとバックグラウンドを区別する。 理論的知見に基づいて,CGSがよりバランスの取れたトレーニングを達成できることを実証する。 さらに,ジェネラリストとスペシャリストの協調学習を促進するために,クロスコンシステンシーの損失を増大させる。 最後に、特定のヘッドのターゲットクラスが他のヘッドの残りのクラスに属するべきという本質的な関係について、擬似ラベルの品質をさらに高めるために、頭間エラー検出モジュールを導入する。 3つの人気のあるベンチマーク実験の結果は、最先端の手法と比較して優れた性能を示した。

関連論文リスト

• Rethinking Target Label Conditioning in Adversarial Attacks: A 2D Tensor-Guided Generative Approach [26.259289475583522]
  マルチターゲット対人攻撃は、複数のターゲットクラスに対して同時に対人画像を生成する能力により、大きな注目を集めている。 このギャップに対処するために、まず、標的攻撃の伝達可能性に影響を及ぼす意味的特徴品質と量が重要な要因であることを特定し、検証する。 本稿では,拡散モデルの強力な生成能力を利用して,対象ラベルを2次元意味テンソルに符号化する2D-TGAFフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-19T02:08:48Z)
• KA$^2$ER: Knowledge Adaptive Amalgamation of ExpeRts for Medical Images Segmentation [5.807887214293438]
  本稿では,多元的基礎モデルを学習し,複数のエキスパートモデルの協調的な目標に対処することを目的としたアダプティブ・アマルガメーション・ナレッジ・フレームワークを提案する。 特に、まず、各タスクに対してnnUNetベースのエキスパートモデルをトレーニングし、トレーニング済みのSwinUNTERをターゲット基盤モデルとして再利用する。 隠蔽層内の階層的アテンション機構は、すべての専門家の隠蔽層の特徴知識にターゲットモデルの適応的なマージを実現するように設計されている。
  論文  参考訳（メタデータ） (2024-10-28T14:49:17Z)
• LFME: A Simple Framework for Learning from Multiple Experts in Domain Generalization [61.16890890570814]
  ドメイン一般化(Domain Generalization, DG)手法は、複数のソースドメインからのトレーニングデータを使用することで、目に見えないターゲットドメインにおける優れたパフォーマンスを維持することを目的としている。 この作業では、DGを改善するために、ターゲットモデルをすべてのソースドメインの専門家にすることを目的とした、複数の専門家(LFME)からの学習と呼ばれる、シンプルだが効果的なフレームワークを導入している。
  論文  参考訳（メタデータ） (2024-10-22T13:44:10Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Rethinking Multi-domain Generalization with A General Learning Objective [17.155829981870045]
  マルチドメイン一般化(mDG)は、トレーニングとテストディストリビューションの相違を最小限にすることを目的としている。 既存のmDG文献には、一般的な学習目標パラダイムが欠けている。 制約緩和に$Y$-mappingを活用することを提案する。
  論文  参考訳（メタデータ） (2024-02-29T05:00:30Z)
• Exploiting CLIP for Zero-shot HOI Detection Requires Knowledge Distillation at Multiple Levels [52.50670006414656]
  大規模事前学習型視覚言語モデルであるCLIPを,多段階の知識蒸留に利用した。 私たちのモデルをトレーニングするために、CLIPを使用して、グローバルイメージとローカルユニオン領域の両方のHOIスコアを生成する。 このモデルは、完全な教師付きおよび弱い教師付き手法に匹敵する強力な性能を達成する。
  論文  参考訳（メタデータ） (2023-09-10T16:27:54Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Multi-Target Domain Adaptation with Collaborative Consistency Learning [105.7615147382486]
  教師なしマルチターゲットドメイン適応を実現するための協調学習フレームワークを提案する。 提案手法は,ラベル付きソースドメインとラベルなしターゲットドメインの両方に含まれるリッチな構造化情報を効果的に利用することができる。
  論文  参考訳（メタデータ） (2021-06-07T08:36:20Z)

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。