Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
LT大会20191011_MICCAI2019
Search
sskyryo
October 11, 2019
Technology
0
230
LT大会20191011_MICCAI2019
More unlabelled data or label more data? A study on semi-supervised laparoscopic image segmentation
sskyryo
October 11, 2019
Tweet
Share
Other Decks in Technology
See All in Technology
20250912_RPALT_データを集める→とっ散らかる問題_Obsidian紹介
ratsbane666
0
100
新アイテムをどう使っていくか?みんなであーだこーだ言ってみよう / 20250911-rpi-jam-tokyo
akkiesoft
0
330
Oracle Base Database Service 技術詳細
oracle4engineer
PRO
10
75k
Codeful Serverless / 一人運用でもやり抜く力
_kensh
7
450
RSCの時代にReactとフレームワークの境界を探る
uhyo
10
3.5k
機械学習を扱うプラットフォーム開発と運用事例
lycorptech_jp
PRO
0
600
AWSで始める実践Dagster入門
kitagawaz
1
720
なぜスクラムはこうなったのか?歴史が教えてくれたこと/Shall we explore the roots of Scrum
sanogemaru
5
1.7k
20250910_障害注入から効率的復旧へ_カオスエンジニアリング_生成AIで考えるAWS障害対応.pdf
sh_fk2
3
270
5分でカオスエンジニアリングを分かった気になろう
pandayumi
0
260
未経験者・初心者に贈る!40分でわかるAndroidアプリ開発の今と大事なポイント
operando
5
740
下手な強制、ダメ!絶対! 「ガードレール」を「檻」にさせない"ガバナンス"の取り方とは?
tsukaman
2
460
Featured
See All Featured
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
127
53k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
52
5.6k
Intergalactic Javascript Robots from Outer Space
tanoku
272
27k
Navigating Team Friction
lara
189
15k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
31
2.5k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
229
22k
Building Adaptive Systems
keathley
43
2.7k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
34
6k
Scaling GitHub
holman
463
140k
VelocityConf: Rendering Performance Case Studies
addyosmani
332
24k
Connecting the Dots Between Site Speed, User Experience & Your Business [WebExpo 2025]
tammyeverts
8
530
The Illustrated Children's Guide to Kubernetes
chrisshort
48
50k
Transcript
More unlabelled data or label more data? A study on
semi- supervised laparoscopic image segmentation @ssky_ryo https://arxiv.org/abs/1908.08035
Overview • 半教師付き学習による腹腔鏡画像のSegmentationの精度評価 • ラベルありデータとラベルなしデータを同時に学習する手法で精度を向上させる • このときラベルありデータをとにかく大量に集めなくても,ラベルなしのデータを大量に 集めるだけで精度が向上する
アノテーションは つらい • アノテーションはつら いっていう話 https://note.mu/nakaizu mi08/n/nb4ac7bddaa54 • アノテーションこそが本 質
https://www.kurusugaw a.jp/annotation-meetup- 20180705/
アノテーションは つらい • アノテーションはつら いっていう話 https://note.mu/nakaizu mi08/n/nb4ac7bddaa54 • アノテーションこそが本 質
https://www.kurusugaw a.jp/annotation-meetup- 20180705/
Method • 半教師付き学習(Semi-supervised Learning)により十分な精度が出るかを検証 • 腹腔鏡による肝臓のSegmentationが対象 • Multi-scale input U-Net
• Mean Teacher Training
Network • Multi-scale input U-Net
Learning • Mean Teacher Training • StudentとTeacherで同じNetwork • ただしそれぞれ異なるノイズを付与する •
TeacherとStudentはハイパーパラメータで 重みをバランスし,各ステップごとにTeacher のほうに更新をEMA(Exponential moving average)で伝搬
Experiment and Dataset • 41994 laparoscopic video frames (4fps) •
13 patients(6: liver resection, 7: liver staging procedures) • Labeled data: 2209 images (manual cotour) • 67, 156, 148, 168, 246, 180, 140, 260, 198, 178, 166, 144, 158 • Original resolution: 1920x540 (black border) • Input resolution: 1660x540 • 13-fold leave-one-out patient-out • Common data augmentation( contrast, brightness adjustment and standardization)
Experiment and Dataset • Different dataset set size • 2%,
10%, 25%, 50%, 100% labeled data sampled (each patient) • 0%, 6.25%, 25%, 100% unlabeled data sampled (each patient)
Results Mean Teacher training のほうが優れた結果
Results Labelデータのサイズによる比較
Result ()内の数字はラベルつきデータのサイズ