論文の概要: Dual Cross-image Semantic Consistency with Self-aware Pseudo Labeling for Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2507.21440v1
- Date: Tue, 29 Jul 2025 02:26:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.553771
- Title: Dual Cross-image Semantic Consistency with Self-aware Pseudo Labeling for Semi-supervised Medical Image Segmentation
- Title（参考訳）: 半教師型医用画像分割のための自己認識擬似ラベルを用いた二重画像横断的セマンティック一貫性
- Authors: Han Wu, Chong Wang, Zhiming Cui,
- Abstract要約: 半教師付き学習は、医学画像セグメンテーションにおける限られたラベル付きトレーニングデータの課題に取り組むのに非常に効果的であることが証明されている。
半教師型医用画像分割のための新しいアンダーラインDual underlineimage underlineSemantic underlineConsistency(DuCiSC)学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.93815368545141
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning has proven highly effective in tackling the challenge of limited labeled training data in medical image segmentation. In general, current approaches, which rely on intra-image pixel-wise consistency training via pseudo-labeling, overlook the consistency at more comprehensive semantic levels (e.g., object region) and suffer from severe discrepancy of extracted features resulting from an imbalanced number of labeled and unlabeled data. To overcome these limitations, we present a new \underline{Du}al \underline{C}ross-\underline{i}mage \underline{S}emantic \underline{C}onsistency (DuCiSC) learning framework, for semi-supervised medical image segmentation. Concretely, beyond enforcing pixel-wise semantic consistency, DuCiSC proposes dual paradigms to encourage region-level semantic consistency across: 1) labeled and unlabeled images; and 2) labeled and fused images, by explicitly aligning their prototypes. Relying on the dual paradigms, DuCiSC can effectively establish consistent cross-image semantics via prototype representations, thereby addressing the feature discrepancy issue. Moreover, we devise a novel self-aware confidence estimation strategy to accurately select reliable pseudo labels, allowing for exploiting the training dynamics of unlabeled data. Our DuCiSC method is extensively validated on four datasets, including two popular binary benchmarks in segmenting the left atrium and pancreas, a multi-class Automatic Cardiac Diagnosis Challenge dataset, and a challenging scenario of segmenting the inferior alveolar nerve that features complicated anatomical structures, showing superior segmentation results over previous state-of-the-art approaches. Our code is publicly available at \href{https://github.com/ShanghaiTech-IMPACT/DuCiSC}{https://github.com/ShanghaiTech-IMPACT/DuCiSC}.
- Abstract（参考訳）: 半教師付き学習は、医学画像セグメンテーションにおける限られたラベル付きトレーニングデータの課題に取り組むのに非常に効果的であることが証明されている。
一般に、擬似ラベルによる画素内一貫性トレーニングを頼りにしている現在のアプローチでは、より包括的な意味レベル(例えば、オブジェクト領域)での一貫性を見落とし、ラベル付きおよびラベルなしデータの不均衡数から抽出された特徴の厳密な相違に悩まされている。
これらの制約を克服するために, 半教師型医用画像セグメンテーションのための新しい \underline{Du}al \underline{C}ross-\underline{i}mage \underline{S}emantic \underline{C}onsistency (DuCiSC) 学習フレームワークを提案する。
具体的には、ピクセル単位のセマンティック一貫性を強制する以外に、DuCiSCは領域レベルのセマンティック一貫性を促進する2つのパラダイムを提案している。
1) ラベル付き及びラベルなしの画像,及び
2) プロトタイプを明示的にアライメントすることで,ラベル付きイメージと融合したイメージを実現した。
デュアルパラダイムに基づいて、DuCiSCはプロトタイプ表現を通じて一貫性のあるクロスイメージセマンティクスを効果的に確立し、特徴の相違問題に対処する。
さらに、信頼性の高い擬似ラベルを正確に選択し、ラベルなしデータのトレーニングダイナミクスを活用できるように、新しい自己認識型信頼度推定戦略を考案する。
我々のDuCiSC法は,左心房と膵臓のセグメンテーションにおける2つの一般的なバイナリベンチマーク,マルチクラス自動心臓診断チャレンジデータセット,複雑な解剖学的構造を特徴とする下歯槽神経のセグメンテーションという課題を含む4つのデータセットで広く検証されている。
私たちのコードは、 \href{https://github.com/ShanghaiTech-IMPACT/DuCiSC}{https://github.com/ShanghaiTech-IMPACT/DuCiSC}で公開されています。
関連論文リスト
- SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。
セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。
SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-17T12:31:37Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳（メタデータ） (2023-12-11T12:29:51Z) - GCL: Gradient-Guided Contrastive Learning for Medical Image Segmentation
with Multi-Perspective Meta Labels [22.515761041939914]
医療画像のシナリオでは、準備済みのメタラベルは本質的に画像間の意味的関係を明らかにする。
本論文では,事前学習したモデルにより,より高レベルな意味認識能力が得られるように,多視点メタラベルを統一する勾配誘導手法を提案する。
4つの医用画像セグメンテーションデータセットの実験により,新たな手法であるGCLが得られたことが確認された。(1)情報表現を学習し,限られたラベルでセグメンテーション性能を大幅に向上させ,(2)分布外データセットに対する有望な一般化性を示す。
論文 参考訳（メタデータ） (2023-09-16T05:56:38Z) - DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition
with Limited Annotations [79.433122872973]
低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。
我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。
Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
論文 参考訳（メタデータ） (2023-08-03T17:33:20Z) - PatchCT: Aligning Patch Set and Label Set with Conditional Transport for
Multi-Label Image Classification [48.929583521641526]
マルチラベル画像分類は、与えられた画像から複数のラベルを識別することを目的とした予測タスクである。
本稿では,このギャップを埋める条件輸送理論を紹介する。
複数ラベルの分類をCT問題として定式化することで,画像とラベルの相互作用を効率的に活用できることがわかった。
論文 参考訳（メタデータ） (2023-07-18T08:37:37Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳（メタデータ） (2023-01-13T12:03:58Z) - Co-training with High-Confidence Pseudo Labels for Semi-supervised
Medical Image Segmentation [27.833321555267116]
高信頼度擬似ラベルを用いた半教師付きセマンティックセマンティックセグメンテーションのための不確実性誘導協調平均教師(UCMT)を提案する。
UCMTは, モデル不一致を奨励し, サブネットワーク間の協調訓練を行うコラボレーティブ平均教師 (CMT) と, CMTの不確実性マップに従って入力画像を操作するための不確実性誘導領域混合 (UMIX) と, CMTによる高信頼な擬似ラベルの作成を容易にすることからなる。
論文 参考訳（メタデータ） (2023-01-11T13:48:37Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳（メタデータ） (2022-02-08T15:12:11Z) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳（メタデータ） (2021-11-22T05:06:12Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z)
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。