論文の概要: Learning from Sparse Point Labels for Dense Carcinosis Localization in Advanced Ovarian Cancer Assessment
- arxiv url: http://arxiv.org/abs/2507.06643v1
- Date: Wed, 09 Jul 2025 08:14:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.522152
- Title: Learning from Sparse Point Labels for Dense Carcinosis Localization in Advanced Ovarian Cancer Assessment
- Title（参考訳）: 進行卵巣癌評価におけるdense carcinosis Localizationのためのスパース・ポイント・ラベルからの学習
- Authors: Farahdiba Zarin, Riccardo Oliva, Vinkle Srivastav, Armine Vardazaryan, Andrea Rosati, Alice Zampolini Faustini, Giovanni Scambia, Anna Fagotti, Pietro Mascagni, Nicolas Padoy,
- Abstract要約: スパースラベルから学ぶことは、医療分野において共通の課題である。
この研究は、数点のアノテーションからキーポイントローカライゼーションの密集した予測タスクを学ぶという課題に取り組む。
効率的な学習のための新しい損失関数 Crag and Tail loss を提案する。
- 参考スコア（独自算出の注目度）: 1.8271226967461425
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning from sparse labels is a challenge commonplace in the medical domain. This is due to numerous factors, such as annotation cost, and is especially true for newly introduced tasks. When dense pixel-level annotations are needed, this becomes even more unfeasible. However, being able to learn from just a few annotations at the pixel-level, while extremely difficult and underutilized, can drive progress in studies where perfect annotations are not immediately available. This work tackles the challenge of learning the dense prediction task of keypoint localization from a few point annotations in the context of 2d carcinosis keypoint localization from laparoscopic video frames for diagnostic planning of advanced ovarian cancer patients. To enable this, we formulate the problem as a sparse heatmap regression from a few point annotations per image and propose a new loss function, called Crag and Tail loss, for efficient learning. Our proposed loss function effectively leverages positive sparse labels while minimizing the impact of false negatives or missed annotations. Through an extensive ablation study, we demonstrate the effectiveness of our approach in achieving accurate dense localization of carcinosis keypoints, highlighting its potential to advance research in scenarios where dense annotations are challenging to obtain.
- Abstract（参考訳）: スパースラベルから学ぶことは、医療分野において共通の課題である。
これはアノテーションコストなどの多くの要因によるものであり、特に新しく導入されたタスクには当てはまります。
ピクセルレベルのアノテーションが必要な場合には、これがさらに実現不可能になる。
しかし、ピクセルレベルでほんの少しのアノテーションから学ぶことは、非常に困難で未使用であるが、完璧なアノテーションがすぐに利用できない研究の進歩を導くことができる。
本研究は,進行卵巣癌患者の診断計画のための腹腔鏡下画像フレームからの2次元発癌キーポイントローカライゼーションの文脈におけるいくつかのアノテーションから,キーポイントローカライゼーションの高密度化の予測課題を学習することに取り組むものである。
これを実現するために,画像毎に数点のアノテーションから疎熱マップ回帰として問題を定式化し,Crag and Tail lossと呼ばれる新たな損失関数を提案する。
提案する損失関数は,偽陰性や欠落アノテーションの影響を最小限に抑えつつ,正のスパースラベルを効果的に活用する。
広範囲にわたるアブレーション研究を通じて,がんのキーポイントの正確な局所化を実現するためのアプローチの有効性を実証し,高濃度アノテーションの取得が困難なシナリオにおいて研究を進める可能性を強調した。
関連論文リスト
- S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection [55.34086214300803]
部分的なインスタンスのみをラベル付けするSAOOD(sparsely annotated object detection)という新しい設定を導入する。
具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。
そこで本稿では,S$2$Teacherを提案する。S$2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。
論文 参考訳（メタデータ） (2025-04-15T11:57:00Z) - A Point-Neighborhood Learning Framework for Nasal Endoscope Image Segmentation [41.46663118326646]
本稿では,PNL(Point-Neighborhood Learning)フレームワークという,シンプルで効率的な半教師付き半教師付き手法を提案する。
PNLでは、モデルのトレーニングを明示的に指導する点近傍の監督損失と擬似ラベルスコアリング機構を提案する。
提案手法は,セグメンテーションニューラルネットワークのパラメータを増大させることなく,性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-05-30T13:25:25Z) - Acquiring Weak Annotations for Tumor Localization in Temporal and
Volumetric Data [42.11032586606511]
リソースが限られているため、大量のラベルのないデータに注釈を付ける際に、最適なタイプのアノテーションを決定するのは難しい。
我々はDrag&Dropと呼ばれる新しいアノテーション戦略を開発し、アノテーションプロセスのドラッグ&ドロップを簡単にする。
実験により,本手法は代替の弱いアノテーションよりも検出性能と局所化性能が優れていることが示された。
論文 参考訳（メタデータ） (2023-10-23T17:03:02Z) - Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer
Radiation Treatment from Clinically Available Annotations [0.0]
子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。
我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。
そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-02-21T13:24:40Z) - Point-Teaching: Weakly Semi-Supervised Object Detection with Point
Annotations [81.02347863372364]
本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。
具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。
そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
論文 参考訳（メタデータ） (2022-06-01T07:04:38Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳（メタデータ） (2022-05-10T15:39:11Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z) - Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文 参考訳（メタデータ） (2020-02-29T02:58:36Z)
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。