論文の概要: Decoupled Competitive Framework for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2505.24667v1
• Date: Fri, 30 May 2025 14:56:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:53.011588
• Title: Decoupled Competitive Framework for Semi-supervised Medical Image Segmentation
• Title（参考訳）: 半教師型医用画像分割のための非結合競合フレームワーク
• Authors: Jiahe Chen, Jiahe Ying, Shen Wang, Jianwei Zheng,
• Abstract要約: 半教師付き医用画像セグメンテーション (SSMIS) は, 医用領域のアノテーションが不十分なサンプルに対して, 有望な解決策である。 平均教師 (MT) やデュアル学生 (DS) アーキテクチャに従うほとんどのアプローチは、賞賛に値する結果を得た。 Decoupled Competitive Framework (DCF)は、EMAの更新に単純な競合メカニズムを利用する。 DCFは、2Dデータセットと3Dデータセットの両方を含む3つの公開アクセスデータセットに対して厳格な検証を行っている。
• 参考スコア（独自算出の注目度）: 2.146676124065199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confronting the critical challenge of insufficiently annotated samples in medical domain, semi-supervised medical image segmentation (SSMIS) emerges as a promising solution. Specifically, most methodologies following the Mean Teacher (MT) or Dual Students (DS) architecture have achieved commendable results. However, to date, these approaches face a performance bottleneck due to two inherent limitations, \textit{e.g.}, the over-coupling problem within MT structure owing to the employment of exponential moving average (EMA) mechanism, as well as the severe cognitive bias between two students of DS structure, both of which potentially lead to reduced efficacy, or even model collapse eventually. To mitigate these issues, a Decoupled Competitive Framework (DCF) is elaborated in this work, which utilizes a straightforward competition mechanism for the update of EMA, effectively decoupling students and teachers in a dynamical manner. In addition, the seamless exchange of invaluable and precise insights is facilitated among students, guaranteeing a better learning paradigm. The DCF introduced undergoes rigorous validation on three publicly accessible datasets, which encompass both 2D and 3D datasets. The results demonstrate the superiority of our method over previous cutting-edge competitors. Code will be available at https://github.com/JiaheChen2002/DCF.
• Abstract（参考訳）: 医用領域で十分に注釈が付けられていない検体にとって重要な課題として,半監督的医用画像分割(SSMIS)が期待できる解決策として浮上する。 具体的には,MT (Mean Teacher) やDS (Dual Students) アーキテクチャに従えば,多くの方法論が有望な成果を上げている。 しかし、これらの手法は、指数移動平均(EMA)機構の活用によるMT構造内のオーバーカップリング問題である「textit{e g }」と、DS構造の2人の学生間の深刻な認知バイアスのため、性能上のボトルネックに直面している。 これらの問題を緩和するために、EMAの更新に簡単な競合機構を利用して、学生と教師を動的に効果的に分離する、DCF(Decoupled Competitive Framework)について詳述する。 さらに、学生間で価値ある正確な洞察のシームレスな交換が促進され、より良い学習パラダイムが保証される。 DCFは3つの公開データセットに対して厳格な検証を実施しており、2Dデータセットと3Dデータセットの両方を含んでいる。 その結果,従来の最先端の競合相手に比べて,提案手法の優位性が示された。 コードはhttps://github.com/JiaheChen2002/DCFで入手できる。

関連論文リスト

• Self-Classification Enhancement and Correction for Weakly Supervised Object Detection [113.51483527300496]
  弱い監督対象検出(WSOD)は、ラベル付けコストの低いため、多くの注目を集めている。 本稿では,この2つの問題を改善するための新しいWSODフレームワークを紹介する。 まず,2つの異なるMCCタスク間のギャップを埋めるために,クラス内バイナリ分類(ICBC)を統合した自己分類拡張モジュールを提案する。 また,2つのMCCタスクの結果を組み合わせて,誤分類予測を効果的に削減する自己分類補正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-22T06:45:58Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDC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が提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• 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)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• 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)
• DHC: Dual-debiased Heterogeneous Co-training Framework for Class-imbalanced Semi-supervised Medical Image Segmentation [19.033066343869862]
  半教師付き3次元医用画像セグメンテーションのためのDHC(Dual-debiased Heterogeneous Co-training)フレームワークを提案する。 具体的には,DistDW(Dis Distribution-aware Debiased Weighting)とDiffDW(DiffDW)の2つの損失重み付け戦略を提案する。 提案フレームワークは,クラス不均衡問題を緩和するために擬似ラベルを用いることで,大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-22T02:16:05Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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。