論文の概要: C3S3: Complementary Competition and Contrastive Selection for Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2506.07368v1
- Date: Mon, 09 Jun 2025 02:34:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 16:33:10.782812
- Title: C3S3: Complementary Competition and Contrastive Selection for Semi-Supervised Medical Image Segmentation
- Title（参考訳）: C3S3:半監督医用画像分割のためのコンペティションとコントラスト選択
- Authors: Jiaying He, Yitong Lin, Jiahe Chen, Honghui Xu, Jianwei Zheng,
- Abstract要約: 補間競合とコントラスト選択を統合した,新しい半教師付きセグメンテーションモデルであるC3S3を紹介する。
この設計は境界線を著しく鋭くし、全体的な精度を高める。
提案されたC3S3は、2つの公開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）: 2.3441453628908238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For the immanent challenge of insufficiently annotated samples in the medical field, semi-supervised medical image segmentation (SSMIS) offers a promising solution. Despite achieving impressive results in delineating primary target areas, most current methodologies struggle to precisely capture the subtle details of boundaries. This deficiency often leads to significant diagnostic inaccuracies. To tackle this issue, we introduce C3S3, a novel semi-supervised segmentation model that synergistically integrates complementary competition and contrastive selection. This design significantly sharpens boundary delineation and enhances overall precision. Specifically, we develop an $\textit{Outcome-Driven Contrastive Learning}$ module dedicated to refining boundary localization. Additionally, we incorporate a $\textit{Dynamic Complementary Competition}$ module that leverages two high-performing sub-networks to generate pseudo-labels, thereby further improving segmentation quality. The proposed C3S3 undergoes rigorous validation on two publicly accessible datasets, encompassing the practices of both MRI and CT scans. The results demonstrate that our method achieves superior performance compared to previous cutting-edge competitors. Especially, on the 95HD and ASD metrics, our approach achieves a notable improvement of at least $6\%$, highlighting the significant advancements. The code is available at https://github.com/Y-TARL/C3S3.
- Abstract（参考訳）: 医科領域で十分に注釈付けされていないサンプルの即時的課題として,半監督的医用画像分割(SSMIS)が望まれる解決策となる。
主要目標領域の線引きにおいて印象的な結果が得られたにも拘わらず、現在の方法論のほとんどは、境界の微妙な詳細を正確に捉えるのに苦労している。
この欠損は診断の不正確さを引き起こすことが多い。
この問題に対処するために,補完競合とコントラスト選択を相乗的に統合する,新しい半教師付きセグメンテーションモデルであるC3S3を導入する。
この設計は境界線を著しく鋭くし、全体的な精度を高める。
具体的には、境界ローカライゼーションの洗練に特化した$\textit{Outcome-Driven Contrastive Learning}$モジュールを開発する。
さらに、$\textit{Dynamic Complementary Competition}$モジュールを組み込んで、2つの高性能サブネットワークを活用して擬似ラベルを生成し、セグメンテーションの品質をさらに向上する。
提案されたC3S3は、2つの公開データセットに対して厳密な検証を行い、MRIとCTスキャンの両方のプラクティスを含んでいる。
提案手法は,従来の最先端の競合に比べて優れた性能を示す。
特に95HD と ASD の指標では,本手法は少なくとも 6 %$ の顕著な改善を実現しており,その顕著な進歩を浮き彫りにしている。
コードはhttps://github.com/Y-TARL/C3S3で公開されている。
関連論文リスト
- Semi-Supervised Medical Image Segmentation via Dual Networks [1.904929457002693]
本稿では,大規模な専門家ラベル付きデータセットへの依存を減らすために,革新的な半教師付き3次元医用画像分割法を提案する。
本稿では,コンテキスト情報を用いた既存手法の制約に対処するデュアルネットワークアーキテクチャを提案する。
臨床磁気共鳴画像実験により,我々のアプローチは最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2025-05-23T09:59:26Z) - MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation [8.850534640462081]
冠状DSA画像のセグメンテーションを高めるために,教師付きおよび原型的コントラスト学習を融合させるスーパービジョン型コントラスト損失を提案する。
MSA-UNet3+: Multi-Scale Attention-Enhanced UNet3+アーキテクチャで提案したSPCL損失を実装した。
プライベート冠DSAデータセットの実験では、MSA-UNet3+が最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-04-07T15:35:30Z) - Leveraging Labelled Data Knowledge: A Cooperative Rectification Learning Network for Semi-supervised 3D Medical Image Segmentation [27.94353306813293]
半教師付き3次元医用画像セグメンテーションは,少ないラベル付きデータと多数の非ラベル付きデータを用いて正確なセグメンテーションを実現することを目的としている。
半教師付き学習法の設計における主な課題は、学習に未学習データを効果的に活用することである。
一貫性学習戦略のための高品質な擬似ラベルを作成するための新しい手法を提案する。
論文 参考訳（メタデータ） (2025-02-17T05:29:50Z) - SGTC: Semantic-Guided Triplet Co-training for Sparsely Annotated Semi-Supervised Medical Image Segmentation [12.168303995947795]
本稿では,セマンティックガイド三重項協調学習フレームワークを提案する。
数個のボリュームサンプルの3つのスライスに注釈を付けるだけで、ハイエンドな医用画像セグメンテーションを実現する。
本手法は,スパースアノテーション設定下において,最先端の半教師付き手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-20T03:31:33Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical
Image Segmentation [68.9233942579956]
半教師型医用画像セグメンテーションにおいて,ラベルのないハード領域を活用するための新しい相互整合性ネットワーク(MC-Net+)を提案する。
MC-Net+モデルは、限られたアノテーションで訓練された深いモデルは、非常に不確実で容易に分類された予測を出力する傾向があるという観察に動機づけられている。
MC-Net+のセグメンテーション結果と、最先端の5つの半教師付きアプローチを3つの公開医療データセットで比較した。
論文 参考訳（メタデータ） (2021-09-21T04:47:42Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z)
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。