論文の概要: A Self-training Framework for Semi-supervised Pulmonary Vessel Segmentation and Its Application in COPD

• arxiv url: http://arxiv.org/abs/2507.19074v1
• Date: Fri, 25 Jul 2025 08:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.889087
• Title: A Self-training Framework for Semi-supervised Pulmonary Vessel Segmentation and Its Application in COPD
• Title（参考訳）: 半監督型肺血管拡張のためのセルフトレーニングフレームワークとそのPDへの応用
• Authors: Shuiqing Zhao, Meihuan Wang, Jiaxuan Xu, Jie Feng, Wei Qian, Rongchang Chen, Zhenyu Liang, Shouliang Qi, Yanan Wu,
• Abstract要約: 本研究の目的は,半監督法を用いて肺血管を分画することであった。 提案手法であるSemi2は, 船体セグメンテーションの精度を2.3%向上し, 90.3%の精度を実現している。
• 参考スコア（独自算出の注目度）: 9.487894747353659
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: It is fundamental for accurate segmentation and quantification of the pulmonary vessel, particularly smaller vessels, from computed tomography (CT) images in chronic obstructive pulmonary disease (COPD) patients. Objective: The aim of this study was to segment the pulmonary vasculature using a semi-supervised method. Methods: In this study, a self-training framework is proposed by leveraging a teacher-student model for the segmentation of pulmonary vessels. First, the high-quality annotations are acquired in the in-house data by an interactive way. Then, the model is trained in the semi-supervised way. A fully supervised model is trained on a small set of labeled CT images, yielding the teacher model. Following this, the teacher model is used to generate pseudo-labels for the unlabeled CT images, from which reliable ones are selected based on a certain strategy. The training of the student model involves these reliable pseudo-labels. This training process is iteratively repeated until an optimal performance is achieved. Results: Extensive experiments are performed on non-enhanced CT scans of 125 COPD patients. Quantitative and qualitative analyses demonstrate that the proposed method, Semi2, significantly improves the precision of vessel segmentation by 2.3%, achieving a precision of 90.3%. Further, quantitative analysis is conducted in the pulmonary vessel of COPD, providing insights into the differences in the pulmonary vessel across different severity of the disease. Conclusion: The proposed method can not only improve the performance of pulmonary vascular segmentation, but can also be applied in COPD analysis. The code will be made available at https://github.com/wuyanan513/semi-supervised-learning-for-vessel-segmentation.
• Abstract（参考訳）: 背景:慢性閉塞性肺疾患(COPD)患者のCT画像から,肺血管の正確な分画と定量化の基礎となる。 目的: 本研究の目的は, 半監督法を用いて肺血管を分画することであった。 方法:本研究では,肺血管の分節化に教師-学生モデルを活用することで,自己学習の枠組みを提案する。 まず、高品質なアノテーションを、対話的な方法で社内データから取得する。 そして、モデルは半教師ありの方法で訓練される。 教師モデルはラベル付きCT画像の小さなセットに基づいて訓練され、教師モデルが得られる。 その後、教師モデルを用いてラベルのないCT画像の擬似ラベルを生成する。 学生モデルのトレーニングには、これらの信頼できる擬似ラベルが含まれる。 このトレーニングプロセスは、最適なパフォーマンスが達成されるまで反復的に繰り返される。 結果: 125名の COPD 患者の非造影CT で広範囲にわたる実験を行った。 定量的および定性的な分析により,提案手法であるSemi2は,血管のセグメンテーションの精度を2.3%向上し,90.3%の精度を達成した。 さらに、COPDの肺血管で定量的解析を行い、疾患の重症度にまたがる肺血管の相違について考察した。 結論:本手法は肺血管セグメンテーションの性能を向上させるだけでなく, COPD解析にも適用可能である。 コードはhttps://github.com/wuyanan513/semi-supervised-learning-for-vessel-segmentationで公開される。

関連論文リスト

• High Accuracy Pulmonary Vessel Segmentation for Contrast and Non-contrast CT Images and Clinical Evaluation [7.2151442883882]
  造影CT画像と非造影CT画像から肺血管の自動分画を行うための3次元画像分画アルゴリズムを提案する。 我々は、複数のベンダーや国から427セットの高精度CTデータを用いてモデルを訓練し、NCCTデータに対して0.892, 0.861, 0.924, 0.925, 0.903, 0.949のCl-DICE, Cl-リコールおよびリコール値を得た。
  論文  参考訳（メタデータ） (2025-03-21T09:54:42Z)
• A Data Augmentation Method and the Embedding Mechanism for Detection and Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
  新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。 肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-02T13:58:45Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images [1.8692254863855962]
  胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。 アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。 提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
  論文  参考訳（メタデータ） (2021-07-03T21:46:29Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Pulmonary embolism identification in computerized tomography pulmonary angiography scans with deep learning technologies in COVID-19 patients [0.65756807269289]
  本稿では,A-Scans画像における肺塞栓症同定のための最も正確かつ高速な深層学習モデルについて紹介する。 本研究では,肺塞栓症の診断精度を向上させるために,分類モデルと対象検出モデルを組み合わせた高速トラックソリューション(システム)を提案する。
  論文  参考訳（メタデータ） (2021-05-24T10:23:21Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。