- …
- …
#63
summarized by : Shunsuke Yoshizawa
どんな論文か？
医療画像のsegmentationの課題としてannotationコストの高さがあるため、データセットとして少数の詳細にannotationされたデータと多数のannotationがほぼなされていないデータが混在することがある。このような状況で、異なるannotationを持つを持つデータからどのように計算モデルを学習すべきかという課題は未解決。
新規性
粗いannotation(ラベリングのみのアノテーション、あるいはラベルなし)のみが存在するデータセットに対する新規の学習手法を提案した点。この手法はTeacher-Studentネットワークのパラメータ更新手法と損失関数の計算手法に特徴を持つ。
結果
提案手法を利用することによって、既存の学習手法と比較して医療画像であるOCTデータのsegmentation精度が向上した。特にpixel-wise maskのセグメンテーションにおいて提案手法の効果が大きかった。
その他（なぜ通ったか？等）
異なる階層のラベリングを行ったものを全て利用するという発想が評価されたことでAcceptにつながったと考えられる。ただ、提案手法はsemi-supervisedやweakly-supervisedの範疇に収まるものであったため、oralには届かなかったように感じた。
- …
- …