論文の概要: Striving for Simplicity: Simple Yet Effective Prior-Aware Pseudo-Labeling for Semi-Supervised Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.13987v1
• Date: Tue, 18 Mar 2025 07:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:45.413455
• Title: Striving for Simplicity: Simple Yet Effective Prior-Aware Pseudo-Labeling for Semi-Supervised Ultrasound Image Segmentation
• Title（参考訳）: 単純さを追求する:半監督超音波画像分割のための簡易かつ効果的な擬似ラベル
• Authors: Yaxiong Chen, Yujie Wang, Zixuan Zheng, Jingliang Hu, Yilei Shi, Shengwu Xiong, Xiao Xiang Zhu, Lichao Mou,
• Abstract要約: 医用超音波画像はユビキタスだが、手動による解析はペースを維持するのに苦労している。 ラベル付きデータと制限付きデータの両方を活用する半教師付き学習は、有望なアプローチである。 そこで本研究では,正則化に先立って,逆学習した形状の簡単な擬似ラベル方式を提案する。
• 参考スコア（独自算出の注目度）: 40.08784389029472
• License:
• Abstract: Medical ultrasound imaging is ubiquitous, but manual analysis struggles to keep pace. Automated segmentation can help but requires large labeled datasets, which are scarce. Semi-supervised learning leveraging both unlabeled and limited labeled data is a promising approach. State-of-the-art methods use consistency regularization or pseudo-labeling but grow increasingly complex. Without sufficient labels, these models often latch onto artifacts or allow anatomically implausible segmentations. In this paper, we present a simple yet effective pseudo-labeling method with an adversarially learned shape prior to regularize segmentations. Specifically, we devise an encoder-twin-decoder network where the shape prior acts as an implicit shape model, penalizing anatomically implausible but not ground-truth-deviating predictions. Without bells and whistles, our simple approach achieves state-of-the-art performance on two benchmarks under different partition protocols. We provide a strong baseline for future semi-supervised medical image segmentation. Code is available at https://github.com/WUTCM-Lab/Shape-Prior-Semi-Seg.
• Abstract（参考訳）: 医用超音波画像はユビキタスだが、手動による解析はペースを維持するのに苦労している。 自動セグメンテーションは役に立ちますが、大きなラベル付きデータセットが必要です。 ラベル付きデータと制限付きデータの両方を活用する半教師付き学習は、有望なアプローチである。 State-of-the-artメソッドは整合正則化や擬似ラベルを使用するが、ますます複雑になる。 十分なラベルがなければ、これらのモデルはしばしばアーティファクトにラッチするか、解剖学的に不明瞭なセグメンテーションを許容する。 本稿では,正則化に先立って,逆学習した形状の簡単な擬似ラベル方式を提案する。 具体的には, エンコーダ・ツインデコーダネットワークを設計し, 形状が暗黙の形状モデルとして機能する。 ベルとホイッスルがなければ、我々の単純なアプローチは、異なるパーティションプロトコルの下で2つのベンチマークで最先端のパフォーマンスを達成する。 今後,半監督型医用画像セグメンテーションのための強力なベースラインを提供する。 コードはhttps://github.com/WUTCM-Lab/Shape-Prior-Semi-Segで入手できる。

関連論文リスト

• 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)
• Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation [13.707121013895929]
  本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。 我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。 ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
  論文  参考訳（メタデータ） (2023-08-31T09:13:34Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した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ための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Compete to Win: Enhancing Pseudo Labels for Barely-supervised Medical Image Segmentation [29.218542984289932]
  擬似ラベル品質を向上させるための新しいCompete-to-Win法(ComWin)を提案する。 実験により,本手法は3つの医用画像データセット上で最高の性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-15T10:04:14Z)
• ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation [16.188681108101196]
  弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。 既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。 空間的関係と形状を事前にエンコードする正規化項を導入する。 我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
  論文  参考訳（メタデータ） (2023-01-12T09:00:40Z)
• POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring [3.4253416336476246]
  半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。 画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
  論文  参考訳（メタデータ） (2021-09-13T23:36:36Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Superpixel-Guided Label Softening for Medical Image Segmentation [31.989873877526424]
  医用画像分割のためのスーパーピクセルベースのラベルソフト化を提案する。 本手法は, 3次元および2次元の医用画像に対して, ベースラインと比較法に対して総合的に優れたセグメンテーション性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-17T10:55:59Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。