Redundant co-training: Semi-supervised segmentation of medical images using informative redundancy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pseudo-labeling, consistency regularization, and co-training are common paradigms for semi-supervised learning. In this paper, we propose a novel method based on co-training and pseudo-labeling for the semi-supervised segmentation of the left ventricle. Our co-training strategy is novel and unlike most previous works does not rely on using multiple-view datasets, performing weak/strong augmentations on the input images or perturbations on the networks. We proposed creating redundant labels by utilizing the provided ground-truths and training networks segmenting different overlapping regions corresponding to the created labels. Although the new labels seem to be redundant, we demonstrated that they provide valuable information to the networks. The predictions of the redundant networks (which are trained on the redundant labels) can be used in the pixels where the primary network’s predictions are not reliable. This enables extracting a secondary source of information without requiring any additional ground-truths. The common practice in pseudo-labeling is using the reliable predictions of the unlabeled data and discarding the unreliable ones. However, we proposed utilizing predictions from the redundant networks to generate pseudo-labels for the unreliable pixels in the primary network’s predictions, rather than simply discarding them. We validated our method on two left ventricle segmentation datasets, and it surpassed the state-of-the-art semi-supervised learning approaches. Furthermore, we conducted extensive studies to analyze the proposed method from different aspects. Implementation of our work is available at https://github.com/behnam-rahmati/redundant-cotraining .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle