論文の概要: ERANet: Edge Replacement Augmentation for Semi-Supervised Meniscus Segmentation with Prototype Consistency Alignment and Conditional Self-Training
- arxiv url: http://arxiv.org/abs/2502.07331v1
- Date: Tue, 11 Feb 2025 07:49:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:07:41.586371
- Title: ERANet: Edge Replacement Augmentation for Semi-Supervised Meniscus Segmentation with Prototype Consistency Alignment and Conditional Self-Training
- Title(参考訳): ERANet: 初期整合性アライメントと条件付き自己訓練による半監督型半月板偏位に対するエッジリプレースメント増強
- Authors: Siyue Li, Yongcheng Yao, Junru Zhong, Shutian Zhao, Yudong Zhang, Shuihua Wang, Jin Hong, Weitian Chen,
- Abstract要約: 半教師付きメニスカスセグメンテーションフレームワークであるERANetを提案する。
ERANetは、エッジ置換強化(ERA)、プロトタイプ整合性調整(PCA)、条件付き自己学習(CST)戦略を統合している。
3D double Echo Steady State (DESS) と 3D Fast/Turbo Spin Echo (FSE/TSE) MRI を用いた。
- 参考スコア(独自算出の注目度): 13.530502204769807
- License:
- Abstract: Manual segmentation is labor-intensive, and automatic segmentation remains challenging due to the inherent variability in meniscal morphology, partial volume effects, and low contrast between the meniscus and surrounding tissues. To address these challenges, we propose ERANet, an innovative semi-supervised framework for meniscus segmentation that effectively leverages both labeled and unlabeled images through advanced augmentation and learning strategies. ERANet integrates three key components: edge replacement augmentation (ERA), prototype consistency alignment (PCA), and a conditional self-training (CST) strategy within a mean teacher architecture. ERA introduces anatomically relevant perturbations by simulating meniscal variations, ensuring that augmentations align with the structural context. PCA enhances segmentation performance by aligning intra-class features and promoting compact, discriminative feature representations, particularly in scenarios with limited labeled data. CST improves segmentation robustness by iteratively refining pseudo-labels and mitigating the impact of label noise during training. Together, these innovations establish ERANet as a robust and scalable solution for meniscus segmentation, effectively addressing key barriers to practical implementation. We validated ERANet comprehensively on 3D Double Echo Steady State (DESS) and 3D Fast/Turbo Spin Echo (FSE/TSE) MRI sequences. The results demonstrate the superior performance of ERANet compared to state-of-the-art methods. The proposed framework achieves reliable and accurate segmentation of meniscus structures, even when trained on minimal labeled data. Extensive ablation studies further highlight the synergistic contributions of ERA, PCA, and CST, solidifying ERANet as a transformative solution for semi-supervised meniscus segmentation in medical imaging.
- Abstract(参考訳): 手動のセグメンテーションは労働集約的であり、半月板形態、部分体積効果、半月板と周囲の組織とのコントラストの低いため、自動セグメンテーションは依然として困難である。
これらの課題に対処するために,先進的な拡張と学習戦略を通じてラベル付き画像とラベルなし画像の両方を効果的に活用する,メニスカスセグメンテーションのための革新的な半教師付きフレームワークであるERANetを提案する。
ERANetは、エッジ置換強化(ERA)、プロトタイプ整合性調整(PCA)、条件付き自己学習(CST)戦略の3つの重要なコンポーネントを統合している。
ERAは、月経の変動をシミュレートすることで、解剖学的に関連する摂動を導入し、拡張が構造的文脈と整合することを保証する。
PCAは、特にラベル付きデータに制限のあるシナリオにおいて、クラス内の特徴の整列と、コンパクトで差別的な特徴表現の促進によってセグメンテーション性能を向上させる。
CSTは、擬似ラベルを反復精製し、トレーニング中のラベルノイズの影響を軽減することにより、セグメンテーションの堅牢性を向上させる。
これらのイノベーションは、ERANetをメニスカスセグメンテーションの堅牢でスケーラブルなソリューションとして確立し、実践的な実装における重要な障壁を効果的に解決する。
ERANetを3D Double Echo Steady State (DESS) と 3D Fast/Turbo Spin Echo (FSE/TSE) MRI で総合的に検証した。
その結果, 最先端手法と比較してERANetの性能が優れていた。
提案手法は,最小限のラベル付きデータを用いてトレーニングしても,メニスカス構造の信頼性と正確なセグメンテーションを実現する。
広範囲にわたるアブレーション研究は、ERA、PCA、CSTの相乗効果をさらに強調し、ERANetを医療画像における半監督半月板分断の変換解として固形化する。
関連論文リスト
- HELPNet: Hierarchical Perturbations Consistency and Entropy-guided Ensemble for Scribble Supervised Medical Image Segmentation [4.034121387622003]
本稿では,新しいスクリブルベースの弱教師付きセグメンテーションフレームワークHELPNetを提案する。
HELPNetはアノテーション効率とセグメンテーション性能のギャップを埋めるために3つのモジュールを統合する。
HELPNetは、スクリブルベースの弱教師付きセグメンテーションの最先端手法を著しく上回っている。
論文 参考訳(メタデータ) (2024-12-25T01:52:01Z) - Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
この話題は、3次元の点雲のセグメンテーションで広く研究されている。
近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。
既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。
本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
論文 参考訳(メタデータ) (2024-08-29T13:31:15Z) - ECLIPSE: Efficient Continual Learning in Panoptic Segmentation with Visual Prompt Tuning [54.68180752416519]
パノプティカルセグメンテーション(英: Panoptic segmentation)は、コンピュータビジョンの最先端タスクである。
ECLIPSE と呼ばれる Visual Prompt Tuning をベースとした,新規で効率的なパノプティカルセグメンテーション手法を提案する。
我々のアプローチは、基本モデルのパラメータを凍結し、小さなプロンプト埋め込みだけを微調整することであり、破滅的な忘れ物と塑性の両方に対処する。
論文 参考訳(メタデータ) (2024-03-29T11:31:12Z) - SegMatch: A semi-supervised learning method for surgical instrument
segmentation [10.223709180135419]
腹腔鏡およびロボット手術画像に対する高価なアノテーションの必要性を低減するための半教師付き学習法であるSegMatchを提案する。
SegMatchは、一貫性の正規化と擬似ラベリングを組み合わせた、広範な半教師付き分類パイプラインであるFixMatch上に構築されている。
この結果から,学習目的に非競合データを追加することで,完全教師付きアプローチの性能を超越できることが示唆された。
論文 参考訳(メタデータ) (2023-08-09T21:30:18Z) - From Sparse to Precise: A Practical Editing Approach for Intracardiac
Echocardiography Segmentation [2.6910401398827117]
本研究では,2次元フレーム上にスクリブルを描画することでセグメンテーション出力を編集できるインタラクティブな編集フレームワークを提案する。
我々のフレームワークは、以前の編集を損なうことなく、逐次的にセグメント化出力に複数の編集を適用できる。
論文 参考訳(メタデータ) (2023-03-20T11:47:02Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳(メタデータ) (2023-01-13T12:03:58Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Semi-Supervised Confidence-Level-based Contrastive Discrimination for
Class-Imbalanced Semantic Segmentation [1.713291434132985]
我々は,クラス不均衡なセマンティックセグメンテーションの課題に対して,半教師付きコントラスト学習フレームワークを提案する。
提案手法は,3.5%のラベル付きデータで良好なセグメンテーション結果が得られる。
論文 参考訳(メタデータ) (2022-11-28T04:58:27Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳(メタデータ) (2021-08-02T09:56:10Z) - A Simple Baseline for Semi-supervised Semantic Segmentation with Strong
Data Augmentation [74.8791451327354]
セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。
単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。
本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2021-04-15T06:01:39Z) - InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。
このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。
室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文 参考訳(メタデータ) (2021-04-06T18:52:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。