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
KotlinConf 2025_イベントレポート
sony
1
140
品質視点から考える組織デザイン/Organizational Design from Quality
mii3king
0
210
S3アクセス制御の設計ポイント
tommy0124
3
200
複数サービスを支えるマルチテナント型Batch MLプラットフォーム
lycorptech_jp
PRO
1
820
Claude Code でアプリ開発をオートパイロットにするためのTips集 Zennの場合 / Claude Code Tips in Zenn
wadayusuke
0
110
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
450
新規プロダクトでプロトタイプから正式リリースまでNext.jsで開発したリアル
kawanoriku0
1
160
いま注目のAIエージェントを作ってみよう
supermarimobros
0
340
react-callを使ってダイヤログをいろんなとこで再利用しよう!
shinaps
2
260
開発者を支える Internal Developer Portal のイマとコレカラ / To-day and To-morrow of Internal Developer Portals: Supporting Developers
aoto
PRO
1
470
「Linux」という言葉が指すもの
sat
PRO
4
140
dbt開発 with Claude Codeのためのガードレール設計
10xinc
2
1.3k
Featured
See All Featured
For a Future-Friendly Web
brad_frost
180
9.9k
Visualization
eitanlees
148
16k
How STYLIGHT went responsive
nonsquared
100
5.8k
Bash Introduction
62gerente
615
210k
Stop Working from a Prison Cell
hatefulcrawdad
271
21k
Making Projects Easy
brettharned
117
6.4k
Designing Dashboards & Data Visualisations in Web Apps
destraynor
231
53k
Optimizing for Happiness
mojombo
379
70k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
53
2.9k
Build your cross-platform service in a week with App Engine
jlugia
231
18k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
48
9.7k
Understanding Cognitive Biases in Performance Measurement
bluesmoon
29
1.9k
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