2022/09/18 2023/04/12

論文要約

take0212

アクセス: 221

コメント: 0

いいね！ 3

論文要約しました。
詳細はリンクをご確認お願いします。
ご参考になれば幸いです。

#### Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation

Uncertainty-guided Collaborative Mean-Teacher (UCMT) を提案。協調学習semantic segmentationの疑似ラベルの品質を向上。SOTAより優位。

詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/9b5e6422ae0ebc/)。
※2023/1/29作成

![](https://aihack.aijobcolle.com/p/4i89z5y79c4yzsi29psn-3cb1b17e.png)

#### Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification

3つのドメイン適応方法を用いるスタッキングアンサンブル（SELDA）を提案。有効性を確認。

詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/860e1094cecadb)。
※2023/1/10作成

![](https://aihack.aijobcolle.com/p/34fjvr6e4h9owj88e6pd-b2c9d3ef.png)

#### Rethinking Data Augmentation for Single-source Domain Generalization in Medical Image Segmentation

勾配情報に基づいてaugmentationを拡張し（Saliency-balancing）、確率分布の合成から局所的（location-scale）表現を生成する、Saliency-balancing Location-scale Augmentation(SLAug)を提案。SGDタスクでSOTAより大幅に優位。

詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/ecb4691df1185e)。
※2022/12/25作成

![](https://aihack.aijobcolle.com/p/as7tnsuxxe5bx68ta2na-f6eed9dd.png)

#### Unsupervised Model Adaptation for Source-free Segmentation of Medical Images

教師なしドメイン適応（Unsupervised Domain Adaptation、UDA）において、特徴量空間を一致させることにより、ソースドメインにアクセスせずに、ターゲットドメインに汎化する方法を提案。ソースドメインにアクセスする既存のUDAと同等の性能を達成。

詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/93468e3179e7a2)。
※2022/11/24作成

![](https://aihack.aijobcolle.com/p/dfxbb2efuikh2rwh5ty9-c0bcb852.png)

#### UNesT: Local Spatial Representation Learning with Hierarchical Transformer for Efficient Medical Segmentation

パッチシーケンスを階層的に集約することで、Transformerを用いながら、局所空間表現を学習する3D医療領域分割　UNesTを提案。複数の臓器でSOTA。

詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/f42f485784585c)。
※2022/11/16作成

![](https://aihack.aijobcolle.com/p/o2ais4myy5p9s4rbcy2f-3a89ceca.jpg)

#### IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification

PatchShufflingと名付けた新しいaugmentationと、IMPaShと名付けた自己教師あり対照学習を用いた事前学習を提案。domain-shiftにロバストな表現を学習。従来のドメイン適用や自己教師あり学習以上の精度を達成。
詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/78c5706cb7d6a4)。
※2022/10/24作成

![](https://aihack.aijobcolle.com/p/gpjg447h8e4keb59rfos-a12652c6.jpg)

#### Consecutive Knowledge Meta-Adaptation Learning for Unsupervised Medical Diagnosis
教師なしドメイン適応、Unsupervised Domain Adaptation(UDA)において、複数ターゲット病変ドメインへの適用、および、ソース病変ドメインの壊滅的忘却を軽減する、メタ適応フレームワーク、Consecutive lesion Adaptive Meta-Learning（CLKM）を提案。
詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/e242b2e73f3fdb)。
※2022/10/9作成

![](https://aihack.aijobcolle.com/p/ods7fsjygh39cnaxe2zv-9c05086b.png)

#### Online pseudo labeling for polyp segmentation with momentum networks
teacher networkの出力を疑似ラベルとして用いる半教師学習において、momentum networkを用いて疑似ラベルの精度を向上する方法を提案
詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/8606f8a4eb2741)。
※2022/10/6作成

![](https://aihack.aijobcolle.com/p/uh4vuu36pzsp323hipeb-b44c0bac.png)

#### Q-Net: Query-Informed Few-Shot Medical Image Segmentation
メタ学習における分布シフト対策。異常検知のADNetを改良し、クエリに基づいてプロトタイプを修正するように改良。MR画像でSOTA。
詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/15a7f9fc2e2c42)。
※2022/9/20作成

![](https://aihack.aijobcolle.com/p/n98ssbgtne2ompr3xsdn-91284c68.png)

#### HealthyGAN: Learning from Unannotated Medical Images to Detect Anomalies Associated with Human Disease
画像生成ネットワーク（GAN）を用いた異常検知において、正常画像だけでなく、正常／異常不明の画像も合わせて学習（HealthyGAN）。精度向上。
詳細な論文要約は[こちら](https://zenn.dev/take0212/articles/54add92ed1eb91)。
※2022/9/16作成

![](https://aihack.aijobcolle.com/p/4y8n2wtcogpskzesvic6-5a30cddb.png)

論文要約

人気記事ランキング

YOLOv5 登場！このプロ…

XGBoost（GBDT）とランダ…

深層学習はシステム1から…

PyTorchの躍進を紐解く３…

勾配法と学習率

いいね！ランキング

深層学習はシステム1からシステム2へ

XGBoost（GBDT）とランダムフォレストから…

ディープラーニングを学び始めた方へ　東…

なぜZoomは40分で切れるのか？

論文要約

ユーザーランキング

タグランキング

深層学習

AI

deeplearning

ディープラーニング

Transformer