論文の概要: RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT

• arxiv url: http://arxiv.org/abs/2505.03538v1
• Date: Tue, 06 May 2025 13:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.405364
• Title: RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT
• Title（参考訳）: RAIL:CBCTにおける半監督歯節分割のための領域認識学習
• Authors: Chuyu Zhao, Hao Huang, Jiashuo Guo, Ziyu Shen, Zhongwei Zhou, Jie Liu, Zekuan Yu,
• Abstract要約: Region-Aware Instructive Learning (RAIL) は、CBCT歯のセグメンテーションのための2つのグループからなる半教師付きフレームワークである。 私たちのコードはhttps://github.com/Tournesol-Saturday/RAILで公開されます。
• 参考スコア（独自算出の注目度）: 8.60376207420468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning has become a compelling approach for 3D tooth segmentation from CBCT scans, where labeled data is minimal. However, existing methods still face two persistent challenges: limited corrective supervision in structurally ambiguous or mislabeled regions during supervised training and performance degradation caused by unreliable pseudo-labels on unlabeled data. To address these problems, we propose Region-Aware Instructive Learning (RAIL), a dual-group dual-student, semi-supervised framework. Each group contains two student models guided by a shared teacher network. By alternating training between the two groups, RAIL promotes intergroup knowledge transfer and collaborative region-aware instruction while reducing overfitting to the characteristics of any single model. Specifically, RAIL introduces two instructive mechanisms. Disagreement-Focused Supervision (DFS) Controller improves supervised learning by instructing predictions only within areas where student outputs diverge from both ground truth and the best student, thereby concentrating supervision on structurally ambiguous or mislabeled areas. In the unsupervised phase, Confidence-Aware Learning (CAL) Modulator reinforces agreement in regions with high model certainty while reducing the effect of low-confidence predictions during training. This helps prevent our model from learning unstable patterns and improves the overall reliability of pseudo-labels. Extensive experiments on four CBCT tooth segmentation datasets show that RAIL surpasses state-of-the-art methods under limited annotation. Our code will be available at https://github.com/Tournesol-Saturday/RAIL.
• Abstract（参考訳）: 半教師付き学習は、ラベル付きデータが最小限であるCBCTスキャンによる3次元歯のセグメンテーションにおいて魅力的なアプローチとなっている。 しかし、既存の手法では、教師付きトレーニング中の構造的不明瞭な領域やラベルの不明瞭な領域における限定的な修正監督と、ラベルなしデータに対する信頼性の低い擬似ラベルによるパフォーマンス劣化という2つの難題に直面している。 このような問題に対処するため,両グループ共学・半教師付きフレームワークであるRerea-Aware Instructive Learning (RAIL)を提案する。 各グループは、共有教師ネットワークによってガイドされる2つの学生モデルを含む。 2つのグループ間のトレーニングを交互に行うことで、RAILはグループ間知識伝達と協調的な地域認識指導を促進し、任意のモデルの特徴に過度な適合を減少させる。 具体的には、RAILは2つのインストラクティブメカニズムを導入する。 Disagreement-Focused Supervision (DFS) Controllerは、学生のアウトプットが基底的真実と最良の学生の両方から分岐する領域にのみ予測を指示することで教師あり学習を改善する。 教師なしの段階では、信頼度学習(CAL)モジュレータは、訓練中の低信頼度予測の効果を低減しつつ、高モデル確実性のある領域での合意を強化する。 これにより、モデルが不安定なパターンを学習するのを防ぎ、擬似ラベルの全体的な信頼性を向上させることができる。 4つのCBCT歯のセグメンテーションデータセットの大規模な実験により、RAILは限られたアノテーションの下で最先端の方法を超えることが示された。 私たちのコードはhttps://github.com/Tournesol-Saturday/RAILで公開されます。

関連論文リスト

• Intrapartum Ultrasound Image Segmentation of Pubic Symphysis and Fetal Head Using Dual Student-Teacher Framework with CNN-ViT Collaborative Learning [1.5233179662962222]
  pubic symphysis and fetal head (PSFH) の分節は、労働の進行をモニターし、潜在的に引き起こされる合併症を特定するための重要なステップである。 従来の半教師付き学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用する。 CNN と Transformer を組み合わせた新しいフレームワークである Dual-Student and Teacher Combining CNN (DSTCT) を導入する。
  論文  参考訳（メタデータ） (2024-09-11T00:57:31Z)
• Visual Self-paced Iterative Learning for Unsupervised Temporal Action Localization [50.48350210022611]
  本稿では,クラスタリングとローカライズトレーニングを同時に行うための,自己ペースの反復学習モデルを提案する。 我々は,2つの段階的なインスタンス学習戦略を設計し,ビデオ擬似ラベルの信頼性を確保する。
  論文  参考訳（メタデータ） (2023-12-12T16:00:55Z)
• Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation [6.738522094694818]
  SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。 既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。 強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:13:04Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)

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。