抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
十分に注釈された訓練データの大規模集合を,特に医用画像セグメンテーションのタスクのために,コストがかかる。より弱い形のアノテーションであるスクリブルは実際により得られるが,スクリブルの限られた監視からの訓練セグメンテーションモデルはなお困難である。困難に取り組むために,著者らは,混合増強とサイクル一貫性から成るスクリブル学習ベース医用画像セグメンテーションのための新しいフレームワークを提案し,従ってCycleMixと呼ぶ。監視の強化のために,サイクルMixは,ランダムオクルージョンの専用設計で混合戦略を採用し,スクリブルの増分と減少を実行する。監視の正則化のために,CycleMixは,一貫性損失を有する訓練目的を強化し,一貫性のあるセグメンテーションを罰し,セグメンテーション性能の著しい改善をもたらす。2つのオープンデータセット,即ち,ACDCとMSCMRsegの結果は,提案方法が,完全に監督された方法と同等か,より良い精度を実証して,実行性能を達成することを示した。MSCMRsegのコードと専門家作成のスクリーブルアノテーションは,https://github.com/BWGZK/CycleMixで公開されている。【JST・京大機械翻訳】