Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation

Created by
  • Haebom

저자

Tran Quoc Khanh Le, Nguyen Lan Vi Vu, Ha-Hieu Pham, Xuan-Loc Huynh, Tien-Huy Nguyen, Minh Huu Nhat Le, Quan Nguyen, Hien D. Nguyen

개요

본 논문은 자궁경부 해부학 평가 및 생리적 변화 감지에 중요한 영상 기법인 질식초음파에서 자궁경부 구조의 정확한 분할이 저 대비, 그림자 아티팩트 및 흐릿한 경계로 인해 어려운 점을 다룹니다. 대규모 주석 데이터 세트가 필요한 기존의 CNN 기반 방법의 한계를 극복하기 위해, 계층적 증류 및 일관성 학습을 통합한 새로운 준지도 학습 프레임워크인 HDC를 제안합니다. HDC는 교사-학생 프레임워크 내에서 계층적 증류 메커니즘을 통해 특징 수준 학습을 유도하는 상관관계 안내 손실과 상호 정보 손실을 도입하여, 의사 라벨링에만 의존하는 기존 방법보다 모델 복잡성을 줄이고 일반화 성능을 향상시킵니다. FUGC 및 PSFH 두 가지 태아 초음파 데이터 세트에 대한 실험 결과, HDC는 기존의 다중 교사 모델보다 훨씬 적은 계산 오버헤드로 경쟁력 있는 성능을 달성함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
질식초음파 영상에서 자궁경부 구조 분할의 정확도 향상.
◦
대규모 주석 데이터가 필요 없는 준지도 학습 기법 제시.
◦
계층적 증류 및 일관성 학습을 통한 계산 효율성 증대.
◦
기존 다중 교사 모델보다 우수한 성능 및 효율성 달성.
•
한계점:
◦
제안된 방법의 성능은 사용된 데이터 세트에 의존적일 수 있음.
◦
다양한 질식초음파 영상의 특성에 대한 일반화 성능 검증이 추가적으로 필요함.
◦
실제 임상 환경에서의 적용 가능성 및 안정성에 대한 추가 연구가 필요함.
👍
Made with Slashpage