Fugu-MT 論文翻訳(概要): SuperCL: Superpixel Guided Contrastive Learning for Medical Image Segmentation Pre-training

論文の概要: SuperCL: Superpixel Guided Contrastive Learning for Medical Image Segmentation Pre-training

arxiv url: http://arxiv.org/abs/2504.14737v1
Date: Sun, 20 Apr 2025 20:57:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-29 20:24:27.337276
Title: SuperCL: Superpixel Guided Contrastive Learning for Medical Image Segmentation Pre-training
Title（参考訳）: SuperCL: 医用画像分割事前学習のためのコントラスト学習
Authors: Shuang Zeng, Lei Zhu, Xinliang Zhang, Hangzhou He, Yanye Lu,
Abstract要約: 医用画像のセグメンテーション事前学習のための新しいコントラスト学習手法であるSuperCLを提案する。我々のSuperCLは,2つの新しいコントラスト対生成戦略を導入することで,画像の構造的事前相関と画素相関を利用する。 8つの医用画像データセットの実験は、SuperCLが既存の12の手法より優れていることを示している。
参考スコア（独自算出の注目度）: 17.920724846400585
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Medical image segmentation is a critical yet challenging task, primarily due to the difficulty of obtaining extensive datasets of high-quality, expert-annotated images. Contrastive learning presents a potential but still problematic solution to this issue. Because most existing methods focus on extracting instance-level or pixel-to-pixel representation, which ignores the characteristics between intra-image similar pixel groups. Moreover, when considering contrastive pairs generation, most SOTA methods mainly rely on manually setting thresholds, which requires a large number of gradient experiments and lacks efficiency and generalization. To address these issues, we propose a novel contrastive learning approach named SuperCL for medical image segmentation pre-training. Specifically, our SuperCL exploits the structural prior and pixel correlation of images by introducing two novel contrastive pairs generation strategies: Intra-image Local Contrastive Pairs (ILCP) Generation and Inter-image Global Contrastive Pairs (IGCP) Generation. Considering superpixel cluster aligns well with the concept of contrastive pairs generation, we utilize the superpixel map to generate pseudo masks for both ILCP and IGCP to guide supervised contrastive learning. Moreover, we also propose two modules named Average SuperPixel Feature Map Generation (ASP) and Connected Components Label Generation (CCL) to better exploit the prior structural information for IGCP. Finally, experiments on 8 medical image datasets indicate our SuperCL outperforms existing 12 methods. i.e. Our SuperCL achieves a superior performance with more precise predictions from visualization figures and 3.15%, 5.44%, 7.89% DSC higher than the previous best results on MMWHS, CHAOS, Spleen with 10% annotations. Our code will be released after acceptance.
Abstract（参考訳）: 医用画像のセグメンテーションは、主に高品質で専門家が注釈付けした画像の広範なデータセットを得るのが困難であるため、重要な課題である。対照的な学習は、この問題に対して潜在的だがまだ問題のある解決策を提示する。ほとんどの既存手法は、画像内類似の画素群間の特性を無視した、インスタンスレベルまたはピクセル間表現の抽出に重点を置いている。さらに、対照的なペアの生成を考えると、ほとんどのSOTA法は手動で閾値を設定することに依存しており、多くの勾配実験が必要であり、効率と一般化の欠如がある。これらの課題に対処するために,医用画像分割事前学習のためのSuperCLという新しいコントラスト学習手法を提案する。具体的には, 画像の構造的先行および画素相関を利用して, 2つの新しいコントラスト対生成戦略: 画像内コントラストペア(ILCP)生成と, 画像間コントラストペア(IGCP)生成を行う。スーパーピクセルクラスタは、コントラスト対生成の概念とよく一致しているので、スーパーピクセルマップを用いて、ILCPとIGCPの両方の擬似マスクを生成し、教師付きコントラスト学習を指導する。さらに、IGCPの以前の構造情報をよりよく活用するために、Average SuperPixel Feature Map Generation (ASP) とConnected Components Label Generation (CCL) という2つのモジュールを提案する。最後に、8つの医用画像データセットの実験から、SuperCLは既存の12の手法よりも優れています。私たちのSuperCLは、視覚化データからより正確な予測を行い、MMWHS、CHAOS、Spleenの10%アノテーションよりも3.15%、5.44%、7.89%のDSCを高い精度で達成しています。私たちのコードは受け入れられてから解放されます。

関連論文リスト

Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
論文参考訳（メタデータ） (2025-01-18T11:57:20Z)
Low-Contrast-Enhanced Contrastive Learning for Semi-Supervised Endoscopic Image Segmentation [5.70832160492074]
低コントラスト強化コントラスト学習(LCC)によるLoCoと呼ばれる新しい半教師付きセグメンテーションフレームワークを提案する。 LCCは2つの高度な戦略を取り入れ、低コントラスト画素の特異性を高め、悪性腫瘍、良性腫瘍、正常な組織に低コントラスト画素を分割することができる。 LoCoは最先端の結果を達成し、従来の方法よりも大幅に上回っている。
論文参考訳（メタデータ） (2024-12-03T09:31:16Z)
Exploring Multi-view Pixel Contrast for General and Robust Image Forgery Localization [4.8454936010479335]
本稿では,画像フォージェリーローカライゼーションのための多視点Pixel-wise Contrastive Algorithm (MPC)を提案する。具体的には、まず、教師付きコントラスト損失を伴うバックボーンネットワークを事前訓練する。次に、クロスエントロピー損失を用いてローカライゼーションヘッドを微調整し、ピクセルローカライザを改良する。
論文参考訳（メタデータ） (2024-06-19T13:51:52Z)
Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
論文参考訳（メタデータ） (2024-03-04T07:40:55Z)
Multi-level Asymmetric Contrastive Learning for Volumetric Medical Image Segmentation Pre-training [17.9004421784014]
医用画像分割事前学習のためのMACLという新しいコントラスト学習フレームワークを提案する。具体的には、プリトレインエンコーダとデコーダを同時に使用する非対称コントラスト学習構造を設計する。 8つの医用画像データセットの実験は、MACLフレームワークが既存の11のコントラスト学習戦略より優れていることを示している。
論文参考訳（メタデータ） (2023-09-21T08:22:44Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
Information-guided pixel augmentation for pixel-wise contrastive learning [22.00687816406677]
ピクセルワイドコントラスト学習は、医学的ランドマーク検出のようなピクセルワイドなタスクに役立つ。そこで本研究では,教師なし画素単位のコントラスト学習を改善するために,画素粒度を有する画素増倍法を提案する。
論文参考訳（メタデータ） (2022-11-14T05:12:23Z)
Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文参考訳（メタデータ） (2022-07-20T05:42:19Z)
In-N-Out Generative Learning for Dense Unsupervised Video Segmentation [89.21483504654282]
本稿では,ラベルなしビデオから視覚的対応を学習する,教師なしビデオオブジェクト(VOS)タスクに焦点を当てる。 In-aNd-Out(INO)生成学習を純粋に生成的観点から提案する。我々のINOは、最先端の手法をかなりのマージンで上回っている。
論文参考訳（メタデータ） (2022-03-29T07:56:21Z)
Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文参考訳（メタデータ） (2021-06-12T15:43:24Z)
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)

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。