論文の概要: SWDL: Stratum-Wise Difference Learning with Deep Laplacian Pyramid for Semi-Supervised 3D Intracranial Hemorrhage Segmentation
- arxiv url: http://arxiv.org/abs/2506.10325v1
- Date: Thu, 12 Jun 2025 03:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.553198
- Title: SWDL: Stratum-Wise Difference Learning with Deep Laplacian Pyramid for Semi-Supervised 3D Intracranial Hemorrhage Segmentation
- Title（参考訳）: SWDL : 半監督下3次元頭蓋内出血切開のための深層ラプラシアピラミッドを用いた層間差学習
- Authors: Cheng Wang, Siqi Chen, Donghua Mi, Yang Chen, Yudong Zhang, Yinsheng Li,
- Abstract要約: ラベル付きデータの不足に対処するために,半教師付き学習が有望なソリューションとして登場した。
本稿では,ラプラシアンピラミッドと深層畳み込みアップサンプリングの相補的な利点を生かした新しいSSLフレームワークSWDL-Netを提案する。
本フレームワークは,差分学習機構を用いて,病変の詳細と境界のより優れたセグメンテーションを実現する。
- 参考スコア（独自算出の注目度）: 18.81962542630759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in medical imaging have established deep learning-based segmentation as the predominant approach, though it typically requires large amounts of manually annotated data. However, obtaining annotations for intracranial hemorrhage (ICH) remains particularly challenging due to the tedious and costly labeling process. Semi-supervised learning (SSL) has emerged as a promising solution to address the scarcity of labeled data, especially in volumetric medical image segmentation. Unlike conventional SSL methods that primarily focus on high-confidence pseudo-labels or consistency regularization, we propose SWDL-Net, a novel SSL framework that exploits the complementary advantages of Laplacian pyramid and deep convolutional upsampling. The Laplacian pyramid excels at edge sharpening, while deep convolutions enhance detail precision through flexible feature mapping. Our framework achieves superior segmentation of lesion details and boundaries through a difference learning mechanism that effectively integrates these complementary approaches. Extensive experiments on a 271-case ICH dataset and public benchmarks demonstrate that SWDL-Net outperforms current state-of-the-art methods in scenarios with only 2% labeled data. Additional evaluations on the publicly available Brain Hemorrhage Segmentation Dataset (BHSD) with 5% labeled data further confirm the superiority of our approach. Code and data have been released at https://github.com/SIAT-CT-LAB/SWDL.
- Abstract（参考訳）: 医用画像の最近の進歩は、大量の手動注釈データを必要とするが、深層学習に基づくセグメンテーションを主要なアプローチとして確立している。
しかし, 経頭蓋内出血 (ICH) の診断は, 退屈でコストがかかるため, 特に困難である。
半教師付き学習(SSL)はラベル付きデータの不足,特にボリューム医療画像のセグメンテーションに対処するための,有望なソリューションとして登場した。
高信頼な擬似ラベルや整合性正規化に重点を置く従来のSSL手法とは異なり、ラプラシアンピラミッドと深層畳み込みアップサンプリングの相補的な利点を利用する新しいSSLフレームワークであるSWDL-Netを提案する。
ラプラシアのピラミッドはエッジのシャープニングに優れ、深い畳み込みはフレキシブルな特徴マッピングによって詳細を正確にする。
本フレームワークは,これらの相補的アプローチを効果的に統合する差分学習機構を通じて,病変の詳細と境界のより優れたセグメンテーションを実現する。
271ケースのICHデータセットと公開ベンチマークに関する大規模な実験は、SWDL-Netが2%のラベル付きデータしか持たないシナリオにおいて、現在の最先端メソッドよりも優れていることを示している。
5%のラベル付きデータを用いたBHSD(Brain Hemorrhage Segmentation Dataset)のさらなる評価は,我々のアプローチの優位性をさらに裏付けるものである。
コードとデータはhttps://github.com/SIAT-CT-LAB/SWDLで公開されている。
関連論文リスト
- Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。
データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。
注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
論文 参考訳（メタデータ） (2024-06-23T05:01:51Z) - Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。
高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。
本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-06-19T15:49:06Z) - Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。
本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。
我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文 参考訳（メタデータ） (2024-04-02T13:42:29Z) - SSL-DG: Rethinking and Fusing Semi-supervised Learning and Domain
Generalization in Medical Image Segmentation [0.0]
そこで本研究では,未知のターゲットデータをソースデータの線形結合で表現し,単純なデータ拡張によって実現可能であることを示す。
DGとSSLを融合したSSL-DGを提案する。
論文 参考訳（メタデータ） (2023-11-05T07:44:40Z) - Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Towards broader generalization of deep learning methods for multiple
sclerosis lesion segmentation [0.39146761527401414]
DeepLesionBrain(DLB)は、ドメインシフトに堅牢で、目に見えないデータセットでうまく機能する新しいメソッドです。
DLBは、コンパクトな3D CNNの大きなアンサンブルに基づいています。
グローバル画像レベルで抽出されたジェネリックな特徴と、ローカル画像レベルで抽出された特定の特徴の両方を学びます。
論文 参考訳（メタデータ） (2020-12-14T21:33:53Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Density-Aware Graph for Deep Semi-Supervised Visual Recognition [102.9484812869054]
半教師付き学習(SSL)は、視覚認識のためのディープニューラルネットワークの一般化能力を改善するために広く研究されている。
本稿では,周辺情報を容易に活用できる新しい密度対応グラフを構築することでSSL問題を解決することを提案する。
論文 参考訳（メタデータ） (2020-03-30T02:52:40Z)
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。