論文の概要: Pairwise Similarity Regularization for Semi-supervised Graph Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.12800v1
• Date: Mon, 17 Mar 2025 04:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:30:42.954451
• Title: Pairwise Similarity Regularization for Semi-supervised Graph Medical Image Segmentation
• Title（参考訳）: 半教師付きグラフ医用画像分割のためのペアワイズ類似性正規化
• Authors: Jialu Zhou, Dianxi Shi, Shaowu Yang, Chunping Qiu, Luoxi Jing, Mengzhu Wang,
• Abstract要約: 半教師型医用画像分割のためのペアワイズ類似性正規化(PaSR)に基づくグラフネットワーク機能アライメント手法を提案する。 PaSRは、特徴グラフの対構造的類似性において整合性を維持することにより、異なる領域における画像のグラフ構造を整列させる。 実験部分は3つの医用画像セグメンテーションベンチマークデータセットで検証され、その結果は各種メトリクスの高度な手法よりも改善された。
• 参考スコア（独自算出の注目度）: 7.471926458155323
• License:
• Abstract: With fully leveraging the value of unlabeled data, semi-supervised medical image segmentation algorithms significantly reduces the limitation of limited labeled data, achieving a significant improvement in accuracy. However, the distributional shift between labeled and unlabeled data weakens the utilization of information from the labeled data. To alleviate the problem, we propose a graph network feature alignment method based on pairwise similarity regularization (PaSR) for semi-supervised medical image segmentation. PaSR aligns the graph structure of images in different domains by maintaining consistency in the pairwise structural similarity of feature graphs between the target domain and the source domain, reducing distribution shift issues in medical images. Meanwhile, further improving the accuracy of pseudo-labels in the teacher network by aligning graph clustering information to enhance the semi-supervised efficiency of the model. The experimental part was verified on three medical image segmentation benchmark datasets, with results showing improvements over advanced methods in various metrics. On the ACDC dataset, it achieved an average improvement of more than 10.66%.
• Abstract（参考訳）: ラベル付きデータの価値を十分に活用することにより、半教師付き医用画像分割アルゴリズムはラベル付きデータの制限を大幅に低減し、精度を大幅に向上させる。 しかし、ラベル付きデータとラベルなしデータとの分布シフトはラベル付きデータからの情報の利用を弱める。 この問題を解決するために,半教師付き医用画像分割のためのペアワイズ類似性正規化(PaSR)に基づくグラフネットワーク機能アライメント手法を提案する。 PaSRは、ターゲット領域とソース領域間の特徴グラフの対構造的類似性の整合性を維持することにより、異なる領域における画像のグラフ構造を整列させ、医療画像の分布シフト問題を低減させる。 一方、教師ネットワークにおける擬似ラベルの精度をさらに高め、グラフクラスタリング情報を整列させ、モデルの半教師付き効率を高める。 実験部分は3つの医用画像セグメンテーションベンチマークデータセットで検証され、その結果は各種メトリクスの高度な手法よりも改善された。 ACDCのデータセットでは、平均10.66%以上の改善が達成された。

関連論文リスト

• GraphCL: Graph-based Clustering for Semi-Supervised Medical Image Segmentation [20.43162035511489]
  本稿では,グラフデータ構造を統合深層モデルで共同モデル化し,半教師付き医用画像分割(GraphCL)のためのグラフベースのクラスタリングを提案する。 提案したGraphCLアルゴリズムは,最先端の半教師付き医用画像分割法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-20T09:24:46Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• Semi-Supervised Medical Image Segmentation with Co-Distribution Alignment [16.038016822861092]
  本稿では,半教師型医用画像分割のためのCo-Distribution Alignment(Co-DA)を提案する。 Co-DAはラベル付きデータの辺縁予測とラベル付きデータの辺縁予測をクラスワイズで調整する。 提案手法は既存の半教師付き医用画像分割法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-24T09:08:30Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• An Embarrassingly Simple Consistency Regularization Method for Semi-Supervised Medical Image Segmentation [0.0]
  医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。 半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
  論文  参考訳（メタデータ） (2022-02-01T16:21:14Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。