fulfulggg
commented
1 week ago 論文要約
分娩中の超音波画像における恥骨結合と胎児頭部のセグメンテーション：CNN-ViT協調学習を用いたデュアル生徒教師フレームワーク
本論文の要点
- 分娩中の超音波画像から恥骨結合と胎児頭部を自動で識別する技術を開発しました。
- 深層学習を用いる際の問題点である、学習データ不足を解消するため、教師モデルと2つの生徒モデルからなる新しい学習フレームワークを提案しました。
- 教師モデルには画像認識に優れたVision Transformer(ViT)を使用し、2つの生徒モデル（ViTとCNN）に学習を指導させます。
- 2つの生徒モデルがお互いの学習結果を監視し合うことで、より正確な識別を実現しました。
- 開発した技術は従来手法と比較して、識別精度が向上することを確認しました。
開発の背景
- 分娩時の超音波画像から恥骨結合と胎児頭部を正しく識別することは、分娩の安全を確保するために非常に重要です。
- 深層学習を用いることで自動識別が可能になりますが、学習データ不足が課題となっていました。
新規性と成果
- 教師モデルと複数の生徒モデルを組み合わせることで、少ない学習データでも高精度な識別を実現する新しいフレームワークを開発しました。
- 異なる特性を持つ2つの生徒モデルを採用することで、お互いの弱点を補完し合いながら学習を進めることが可能となりました。
- 開発した技術は、従来手法と比較して識別精度が向上することを確認し、分娩の安全確保に貢献できる可能性を示しました。
タイトル: 分娩中の超音波画像における恥骨結合と胎児頭部のセグメンテーション：CNN-ViT協調学習を用いたデュアル生徒教師フレームワーク
リンク: https://arxiv.org/abs/2409.06928
概要:
恥骨結合と胎児頭部（PSFH）のセグメンテーションは、分娩の進行を監視し、潜在的な分娩合併症を特定するための重要なステップです。ディープラーニングが進歩しているにもかかわらず、アノテーション付き医用画像の不足がセグメンテーションのトレーニングを妨げています。従来の半教師あり学習アプローチは、主に畳み込みニューラルネットワーク（CNN）に基づく統合ネットワークモデルを利用し、一貫性正則化を適用して、広範なアノテーション付きデータへの依存を軽減します。しかし、これらの方法は、ラベル付けされていないデータの識別的特徴を捉え、超音波画像内のPSFHのあいまいな境界に固有の長距離依存性を描写するのに苦労することがよくあります。これらの制限に対処するために、CNNとTransformerの機能を相乗的に統合する新しいフレームワークである、Dual-Student and Teacher Combining CNN and Transformer（DSTCT）を導入します。私たちのフレームワークは、教師としてのVision Transformer（ViT）と、1つのViTと1つのCNNの2つの生徒モデルで構成されています。このデュアルスチューデントのセットアップにより、ハードとソフトの両方の疑似ラベルの生成を通じて相互監視が可能になり、分類子の確定性の不一致を最小限に抑えることで、予測の一貫性が向上します。教師モデルは、一貫性正則化の制約を課すことによって、このアーキテクチャ内の学習をさらに強化します。アプローチの汎化能力を高めるために、データとモデルの摂動手法を組み合わせて使用します。MICCAI 2023でのPSFH Segmentation Grand Challengeのベンチマークデータセットに関する包括的な評価では、DSTCTフレームワークが10の最新の半教師ありセグメンテーション方法よりも優れていることが示されています。コードはhttps://github.com/jjm1589/DSTCTで入手できます。