| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-03-15 15:30 Evaluation of Bayesian Active Learning for Segmentation of Liver and Spleen in Large Scale Abdominal MR Data Sets ○Bin Zhang・Yoshito Otake・Mazen Soufi（NAIST）・Masatoshi Hori（Kobe University）・Noriyuki Tomiyama（Osaka University）・Yoshinobu Sato（NAIST）  MI2020-60 |
|
| 抄録 | （和） | 画像セグメンテーションでの手動注釈は、多くの時間と費用がかかる。 ラベル付きデータセットを効率的に取得するために、Bayesian active learningが提案されている。Bayesian active learningにおいて、最も重要な部分は学習済みモデルのパフォーマンスを最大化するためのスライス（またはボクセル）の選択である。 Bayesian active learningでは（1）前回学習したモデルから推定された不確実性、つまり既存のトレーニングデータセットからの距離、および（2）画像間の類似性を考慮する必要がある。 Active learningの効率は、既存のデータセットから遠く離れた多様な画像を使用した大規模なバッチ取得によって高められる。 本研究では、251のラベル付き腹部MRデータセットを使用した現実的なシミュレーション研究により、特に肝臓と脾臓のセグメンテーションのいくつかのBayesian active learningアプローチのパフォーマンスと効率を調査した。 |
| （英） | Manual annotation in image segmentation is time-consuming and expensive. In order to obtain large number of annotated data set efficiently, Bayesian active learning has been proposed. The key component in the iteration in Bayesian active learning is the selection of query slices (or voxels) which maximize the performance of the model trained in the next iteration. We need to take account for (1) uncertainty estimated from the model trained in the previous iteration, i.e., the distance from the existing training data set, and (2) similarity among the query images. The large batch acquisition with diverse images far from the existing data set enables higher efficiency in active learning. In this study, we investigated the performance and efficiency of several Bayesian active learning approaches specifically for segmentation of liver and spleen in a realistic simulation study using 251 fully annotated abdominal MR data set. | |
| キーワード | （和） | Bayesian U-net / Bayesian active learning / / / / / / |
| （英） | Bayesian U-net / Bayesian active learning / / / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 431, MI2020-60, pp. 62-65, 2021年3月. | |
| 資料番号 | MI2020-60 | |
| 発行日 | 2021-03-08 (MI) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | MI2020-60 |
|
| 研究会情報 | |
| 研究会 | MI |
| 開催期間 | 2021-03-15 - 2021-03-17 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 医用画像一般（メディカルイメージング連合フォーラム） |
| テーマ（英） | Medical Imaging |
| 講演論文情報の詳細 | |
| 申込み研究会 | MI |
| 会議コード | 2021-03-MI |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | Evaluation of Bayesian Active Learning for Segmentation of Liver and Spleen in Large Scale Abdominal MR Data Sets |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Bayesian U-net / Bayesian U-net |
| キーワード(2)（和/英） | Bayesian active learning / Bayesian active learning |
| キーワード(3)（和/英） | / |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 張 彬 / Bin Zhang / チョー ビン |
| 第1著者 所属（和/英） | 奈良先端科学技術大学院大学 (略称： 奈良先端大) Nara Institute of Science and Technology (略称： NAIST) |
| 第2著者 氏名（和/英/ヨミ） | 大竹 義人 / Yoshito Otake / オオタケ ヨシト |
| 第2著者 所属（和/英） | 奈良先端科学技術大学院大学 (略称： 奈良先端大) Nara Institute of Science and Technology (略称： NAIST) |
| 第3著者 氏名（和/英/ヨミ） | スーフィー マーゼン / Mazen Soufi / スーフィー マーゼン |
| 第3著者 所属（和/英） | 奈良先端科学技術大学院大学 (略称： 奈良先端大) Nara Institute of Science and Technology (略称： NAIST) |
| 第4著者 氏名（和/英/ヨミ） | 堀 雅敏 / Masatoshi Hori / ホリ マサトシ |
| 第4著者 所属（和/英） | 神戸大学 (略称： 神戸大) Kobe University, Graduate School of Medicine (略称： Kobe University) |
| 第5著者 氏名（和/英/ヨミ） | 富山 憲幸 / Noriyuki Tomiyama / トミヤマ ノリユキ |
| 第5著者 所属（和/英） | 大阪大学 (略称： 阪大) Osaka University, Graduate School of Medicine (略称： Osaka University) |
| 第6著者 氏名（和/英/ヨミ） | 佐藤 嘉伸 / Yoshinobu Sato / サトウ ヨシノブ |
| 第6著者 所属（和/英） | 奈良先端科学技術大学院大学 (略称： 奈良先端大) Nara Institute of Science and Technology (略称： NAIST) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-03-15 15:30:00 |
| 発表時間 | 15分 |
| 申込先研究会 | MI |
| 資料番号 | MI2020-60 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.431 |
| ページ範囲 | pp.62-65 |
| ページ数 | 4 |
| 発行日 | 2021-03-08 (MI) |
[研究会発表申込システムのトップページに戻る]