論文の概要: Mutual Evidential Deep Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.12418v1
• Date: Sun, 18 May 2025 13:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.220653
• Title: Mutual Evidential Deep Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための相互証拠深層学習
• Authors: Yuanpeng He, Yali Bi, Lijian Li, Chi-Man Pun, Wenpin Jiao, Zhi Jin,
• Abstract要約: 半教師付き学習において擬似ラベル生成のための潜在的に有効なソリューションを提供する相互顕在的深層学習フレームワークを提案する。 本稿では,5つの主流データセットを用いた実験において,MEDLが最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 39.930548790471896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing semi-supervised medical segmentation co-learning frameworks have realized that model performance can be diminished by the biases in model recognition caused by low-quality pseudo-labels. Due to the averaging nature of their pseudo-label integration strategy, they fail to explore the reliability of pseudo-labels from different sources. In this paper, we propose a mutual evidential deep learning (MEDL) framework that offers a potentially viable solution for pseudo-label generation in semi-supervised learning from two perspectives. First, we introduce networks with different architectures to generate complementary evidence for unlabeled samples and adopt an improved class-aware evidential fusion to guide the confident synthesis of evidential predictions sourced from diverse architectural networks. Second, utilizing the uncertainty in the fused evidence, we design an asymptotic Fisher information-based evidential learning strategy. This strategy enables the model to initially focus on unlabeled samples with more reliable pseudo-labels, gradually shifting attention to samples with lower-quality pseudo-labels while avoiding over-penalization of mislabeled classes in high data uncertainty samples. Additionally, for labeled data, we continue to adopt an uncertainty-driven asymptotic learning strategy, gradually guiding the model to focus on challenging voxels. Extensive experiments on five mainstream datasets have demonstrated that MEDL achieves state-of-the-art performance.
• Abstract（参考訳）: 既存の半教師付き医療セグメンテーション・コラーニングフレームワークは、低品質な擬似ラベルによるモデル認識のバイアスにより、モデル性能が低下することを認識している。 擬似ラベル統合戦略の平均的な性質のため、異なる情報源からの擬似ラベルの信頼性を検証できなかった。 本稿では,2つの視点から半教師あり学習における擬似ラベル生成のための潜在的なソリューションを提供する,相互顕在的深層学習(MEDL)フレームワークを提案する。 まず、異なるアーキテクチャのネットワークを導入し、未ラベルのサンプルの補完的な証拠を生成し、様々なアーキテクチャのネットワークから得られた明らかな予測の確実な合成を導くために、改良されたクラス認識の顕在的融合を採用する。 第2に、融合した証拠の不確実性を利用して、漸近的なフィッシャー情報に基づく明らかな学習戦略を設計する。 この戦略により、まず、より信頼性の高い擬似ラベルを持つ未ラベルのサンプルに焦点を合わせ、低品質な擬似ラベルを持つサンプルに徐々に注目を移し、高いデータ不確実性サンプルにおける誤ラベルの過剰な金額化を回避できる。 さらにラベル付きデータに対しては、不確実性駆動型漸近学習戦略を採用し続け、徐々にモデルに挑戦するボクセルに焦点を合わせています。 5つの主流データセットに関する大規模な実験は、MEDLが最先端のパフォーマンスを達成することを実証している。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Uncertain Facial Expression Recognition via Multi-task Assisted Correction [43.02119884581332]
  MTACと呼ばれる不確実な表情認識に対処するためのマルチタスク支援補正法を提案する。 具体的には、信頼度推定ブロックと重み付け正則化モジュールを用いて、固体試料をハイライトし、バッチ毎に不確かさサンプルを抑圧する。 RAF-DB、AffectNet、AffWild2データセットの実験は、MTACが合成および実際の不確実性に直面した際のベースラインよりも大幅に改善されていることを示した。
  論文  参考訳（メタデータ） (2022-12-14T10:28:08Z)
• Confidence Adaptive Regularization for Deep Learning with Noisy Labels [2.0349696181833337]
  ディープニューラルネットワークのノイズラベルに対する記憶効果に関する最近の研究は、ネットワークが正しくラベル付けされたトレーニングサンプルに最初に適合し、誤ってラベル付けされたサンプルを記憶することを示している。 そこで本研究では,この早期学習現象に触発されて,誤記サンプルの暗記を防止する新しい方法を提案する。 我々は,合成および実世界のデータセットに関する理論的解析と実験を行い,本手法が最先端の手法に匹敵する結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-08-18T15:51:25Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。