LT大会20191011_MICCAI2019

Transcript

1. More unlabelled data or label more data? A study on

   semi- supervised laparoscopic image segmentation @ssky_ryo https://arxiv.org/abs/1908.08035

2. 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

3. 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/

4. 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/

5. 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

6. Network • Multi-scale input U-Net

7. 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

8. 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)

9. 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)

10. Results Mean Teacher training のほうが優れた結果

11. Results Labelデータのサイズによる比較

12. Result ()内の数字はラベルつきデータのサイズ