論文の概要: RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2508.02844v1
- Date: Mon, 04 Aug 2025 19:14:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.657352
- Title: RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation
- Title（参考訳）: RefineSeg: 医用画像セグメンテーションのための二重粗度学習
- Authors: Anghong Du, Nay Aung, Theodoros N. Arvanitis, Stefan K. Piechnik, Joao A C Lima, Steffen E. Petersen, Le Zhang,
- Abstract要約: 医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクに不可欠である。
粗いレベルのアノテーションに完全に依存する新しい粗いセグメンテーション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）: 2.608565452856053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality pixel-level annotations of medical images are essential for supervised segmentation tasks, but obtaining such annotations is costly and requires medical expertise. To address this challenge, we propose a novel coarse-to-fine segmentation framework that relies entirely on coarse-level annotations, encompassing both target and complementary drawings, despite their inherent noise. The framework works by introducing transition matrices in order to model the inaccurate and incomplete regions in the coarse annotations. By jointly training on multiple sets of coarse annotations, it progressively refines the network's outputs and infers the true segmentation distribution, achieving a robust approximation of precise labels through matrix-based modeling. To validate the flexibility and effectiveness of the proposed method, we demonstrate the results on two public cardiac imaging datasets, ACDC and MSCMRseg, and further evaluate its performance on the UK Biobank dataset. Experimental results indicate that our approach surpasses the state-of-the-art weakly supervised methods and closely matches the fully supervised approach.
- Abstract（参考訳）: 医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクには不可欠であるが、そのようなアノテーションを得るにはコストがかかり、専門知識が必要である。
この課題に対処するために,本研究では,その固有のノイズにもかかわらず,ターゲットと補完図面の両方を包含する,完全に粗いレベルのアノテーションに依存する,新しい粗いセグメント化フレームワークを提案する。
このフレームワークは、粗いアノテーションの不正確な領域と不完全な領域をモデル化するために遷移行列を導入することで機能する。
複数の粗いアノテーションを共同でトレーニングすることにより、ネットワークの出力を段階的に洗練し、真のセグメンテーション分布を推論し、行列ベースのモデリングによって正確なラベルの堅牢な近似を達成する。
提案手法の柔軟性と有効性を検証するため,ACDCとMSCMRsegの2つの公開心臓画像データセットを用いて,その性能を英国バイオバンクデータセットでさらに評価した。
実験結果から,本手法は最先端の弱教師付き手法を超越し,完全教師付き手法と密に一致していることが示唆された。
関連論文リスト
- TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
本稿では,医用画像分割フレームワークTAB Netを提案する。
三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。
我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-07-03T07:50:00Z) - 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) - Mind the Context: Attention-Guided Weak-to-Strong Consistency for Enhanced Semi-Supervised Medical Image Segmentation [13.679842517127248]
本稿では,AIGCMatch (Attention-Guided weak-to-strong Consistency Match) という,シンプルながら効率的な半教師付き学習フレームワークを提案する。
AIGCMatchフレームワークは、イメージレベルと特徴レベルの両方において注意誘導の摂動戦略を取り入れ、弱い一貫性の規則化を実現する。
本手法は, ACDCデータセットの7ケースシナリオにおいて90.4%のDiceスコアを達成し, 最先端の手法を超越し, 臨床環境におけるその可能性と有効性を示した。
論文 参考訳（メタデータ） (2024-10-16T10:04:22Z) - A Bayesian Approach to Weakly-supervised Laparoscopic Image Segmentation [1.9639956888747314]
スパースアノテーションを用いた腹腔鏡下画像分割法について検討した。
本稿では,モデルのセグメンテーションの精度と解釈可能性を高めるために,ベイズ的深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T04:19:48Z) - Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-03-14T12:05:25Z) - 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) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-05-25T16:23:39Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - 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) - 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) - Towards Unbiased COVID-19 Lesion Localisation and Segmentation via
Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。
このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文 参考訳（メタデータ） (2021-03-01T06:05:49Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。