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
210
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
コンパウンドスタートアップのためのスケーラブルでセキュアなInfrastructure as Codeパイプラインを考える / Scalable and Secure Infrastructure as Code Pipeline for a Compound Startup
yuyatakeyama
3
4.6k
オーナーシップを持つ領域を明確にする
konifar
13
3.1k
アクセシビリティを考慮したUI/CSSフレームワーク・ライブラリ選定
yajihum
2
990
複雑な構成要素を持つUIとの向き合い方 〜新・支出グラフでの実例〜 / B43 TECH TALK
nakamuuu
0
140
Postman v10リリース後を振り返る
nagix
0
170
よく聞くけど使ったことないソフトウェアNo.1 KafkaとSnowflake
foursue
4
330
日本におけるデータエンジニアリングのこれまでとこれから
foursue
16
4.1k
EMとして2023年度に頑張ったこと / What we did well in FY2023 as a EM
pauli
1
160
本当のAWS基礎
toru_kubota
0
480
テストプロセスで大事にしていること #jasstnano
makky_tyuyan
0
160
Vertex AI を中心に 生成AIのアップデートを共有します
kaz1437
0
290
どうするコスト最適化のトレードオフ
tetsuyaooooo
1
480
Featured
See All Featured
Design by the Numbers
sachag
274
18k
Teambox: Starting and Learning
jrom
128
8.4k
Debugging Ruby Performance
tmm1
70
11k
Making Projects Easy
brettharned
108
5.5k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
357
22k
A Tale of Four Properties
chriscoyier
151
22k
Producing Creativity
orderedlist
PRO
337
39k
Adopting Sorbet at Scale
ufuk
68
8.6k
Building Better People: How to give real-time feedback that sticks.
wjessup
355
18k
Typedesign – Prime Four
hannesfritz
36
2.1k
Reflections from 52 weeks, 52 projects
jeffersonlam
345
19k
Robots, Beer and Maslow
schacon
PRO
155
7.9k
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