Producing densely annotated data is a difficult and tedious task for medical imaging applications. To address this problem, we propose a novel approach to generate supervision for semi-supervised semantic segmentation. We argue that visually similar regions between labeled and unlabeled images likely contain the same semantics and therefore should share their label. Following this thought, we use a small number of labeled images as reference material and match pixels in an unlabeled image to the semantics of the best fitting pixel in a reference set. This way, we avoid pitfalls such as confirmation bias, common in purely prediction-based pseudo-labeling. Since our method does not require any architectural changes or accompanying networks, one can easily insert it into existing frameworks. We achieve the same performance as a standard fully supervised model on X-ray anatomy segmentation, albeit 95% fewer labeled images. Aside from an in-depth analysis of different aspects of our proposed method, we further demonstrate the effectiveness of our reference-guided learning paradigm by comparing our approach against existing methods for retinal fluid segmentation with competitive performance as we improve upon recent work by up to 15% mean IoU.


翻译:生成高密度附加说明数据对于医学成像应用来说是一项困难和繁琐的任务。 为了解决这个问题, 我们提出一种新的方法来对半受监督的语义分离进行监管。 我们提出, 标签和无标签图像之间的视觉相似区域可能包含相同的语义学, 因此应该共享它们的标签。 在这样的想法之后, 我们使用少量标签图像作为参考材料, 并将未贴标签的像素与一个参考组中最合适的像素的语义相匹配。 这样, 我们避免了确认偏差等隐患, 这在纯粹基于预测的伪标签中是常见的。 由于我们的方法不需要任何建筑改变或配套网络, 很容易将其插入到现有的框架中。 我们实现同样的性能, 作为一种完全受监督的X射线解剖分离标准模型, 尽管标签图像减少了95%。 除了深入分析我们拟议方法的不同方面外, 我们还通过比较我们现有的再现的液分解方法与竞争性性性性性能的方法, 来进一步展示我们的参考制导学习模式的有效性, 比较我们最近的工作改进了I- 。

0
下载
关闭预览

相关内容

专知会员服务
17+阅读 · 2021年3月16日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
实战 | Pytorch BiLSTM + CRF做NER
AINLP
4+阅读 · 2020年8月22日
PyTorch语义分割开源库semseg
极市平台
25+阅读 · 2019年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
语义分割 | context relation
极市平台
8+阅读 · 2019年2月9日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
VIP会员
相关VIP内容
专知会员服务
17+阅读 · 2021年3月16日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
实战 | Pytorch BiLSTM + CRF做NER
AINLP
4+阅读 · 2020年8月22日
PyTorch语义分割开源库semseg
极市平台
25+阅读 · 2019年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
语义分割 | context relation
极市平台
8+阅读 · 2019年2月9日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
【推荐】全卷积语义分割综述
机器学习研究会
19+阅读 · 2017年8月31日
Top
微信扫码咨询专知VIP会员