論文の概要: Iterative pseudo-labeling based adaptive copy-paste supervision for semi-supervised tumor segmentation

• arxiv url: http://arxiv.org/abs/2508.04044v1
• Date: Wed, 06 Aug 2025 03:12:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.522121
• Title: Iterative pseudo-labeling based adaptive copy-paste supervision for semi-supervised tumor segmentation
• Title（参考訳）: 半教師付き腫瘍セグメンテーションにおける反復的擬似ラベルによる適応的コピー・ペースト指導
• Authors: Qiangguo Jin, Hui Cui, Junbo Wang, Changming Sun, Yimiao He, Ping Xuan, Linlin Wang, Cong Cong, Leyi Wei, Ran Su,
• Abstract要約: CTスキャンにおける腫瘍セグメント化のための反復的擬似ラベルに基づく適応的コピー・ペースト・インスペクション(IPA-CP)。 IPA-CPは、腫瘍の不確かさを適応増強に注入することを目的として、双方向不確実性に基づく適応増強機構を組み込んでいる。 社内データセットと公開データセットの両方の実験により、我々のフレームワークは医療画像のセグメント化において最先端のSSLメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 25.905770074627174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) has attracted considerable attention in medical image processing. The latest SSL methods use a combination of consistency regularization and pseudo-labeling to achieve remarkable success. However, most existing SSL studies focus on segmenting large organs, neglecting the challenging scenarios where there are numerous tumors or tumors of small volume. Furthermore, the extensive capabilities of data augmentation strategies, particularly in the context of both labeled and unlabeled data, have yet to be thoroughly investigated. To tackle these challenges, we introduce a straightforward yet effective approach, termed iterative pseudo-labeling based adaptive copy-paste supervision (IPA-CP), for tumor segmentation in CT scans. IPA-CP incorporates a two-way uncertainty based adaptive augmentation mechanism, aiming to inject tumor uncertainties present in the mean teacher architecture into adaptive augmentation. Additionally, IPA-CP employs an iterative pseudo-label transition strategy to generate more robust and informative pseudo labels for the unlabeled samples. Extensive experiments on both in-house and public datasets show that our framework outperforms state-of-the-art SSL methods in medical image segmentation. Ablation study results demonstrate the effectiveness of our technical contributions.
• Abstract（参考訳）: 半教師付き学習(SSL)は医療画像処理において大きな注目を集めている。 最新のSSLメソッドでは、一貫性の正則化と擬似ラベルを組み合わせることで、素晴らしい成功を収めている。 しかし、既存のSSL研究は、多数の腫瘍や少量の腫瘍が存在するという困難なシナリオを無視して、大きな臓器の分節化に重点を置いている。 さらに、特にラベル付きデータとラベルなしデータの両方の文脈において、データ拡張戦略の広範な能力については、まだ十分に研究されていない。 これらの課題に対処するために、CTスキャンにおける腫瘍の分節化のための反復的擬似ラベルに基づく適応的コピーペースト監視(IPA-CP)と呼ばれる、単純かつ効果的なアプローチを導入する。 IPA-CPは、平均教師アーキテクチャに存在する腫瘍の不確かさを適応的拡張に注入することを目的として、双方向不確実性に基づく適応的拡張機構を組み込んでいる。 さらに、IPA-CPは、未ラベルのサンプルに対してより堅牢で情報的な擬似ラベルを生成するために、反復的な擬似ラベル遷移戦略を採用している。 社内および公開両方のデータセットに対する大規模な実験により、我々のフレームワークは医療画像のセグメンテーションにおいて最先端のSSLメソッドよりも優れていることが示された。 アブレーション研究の結果は、我々の技術貢献の有効性を示している。

関連論文リスト

• SPARS: Self-Play Adversarial Reinforcement Learning for Segmentation of Liver Tumours [2.5229190642019286]
  完全に教師付き機械学習モデルは、ローカライゼーションタスクを自動化することを目的としている。 トレーニングには、コストが高く、しばしば主観的な3Dボクセルレベルのラベルを必要とする。 そこで我々は,SPARSと呼ばれる弱い教師付き機械学習フレームワークを提案する。 CTスキャンで癌領域をローカライズするために、オブジェクトレベルのバイナリ癌の存在ラベルを使用する。
  論文  参考訳（メタデータ） (2025-05-25T06:14:41Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• EP-SAM: Weakly Supervised Histopathology Segmentation via Enhanced Prompt with Segment Anything [3.760646312664378]
  がんなどの疾患の病理診断は、従来、医師や病理医による形態学的特徴の評価に頼っていた。 近年,診断支援ツールとしてコンピュータ支援診断(CAD)システムの進歩が注目されている。 本稿では,クラスアクティベーションマップとSAMに基づく擬似ラベルを組み合わせ,弱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(WSSS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-17T14:55:09Z)
• Ultrasound Nodule Segmentation Using Asymmetric Learning with Simple Clinical Annotation [25.459627476201646]
  自動結節分割法における超音波診断から直接, 簡単なアスペクト比アノテーションを用いることを提案する。 アスペクト比アノテーションを2種類の擬似ラベルで拡張することにより、非対称学習フレームワークを開発する。 臨床的に収集した2つの超音波データセット(甲状腺と乳房)を用いた実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-23T09:07:04Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for Scribble-supervised Polyp Segmentation [21.208071679259604]
  本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。 我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。 疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2023-06-01T08:47:58Z)
• Challenging mitosis detection algorithms: Global labels allow centroid localization [1.7382198387953947]
  ミトコンドリア活性は、異なる種類のがんの診断と予後にとって重要なバイオマーカーである。 本研究では,複雑なシナリオを避けることを提案し,パッチのイメージレベルラベルのみを用いて,ローカライズタスクを弱教師付きで実行する。 TUPAC16データセットで得られた結果は、ひとつのトレーニングフェーズのみを使用して、最先端の手法と競合する。
  論文  参考訳（メタデータ） (2022-11-30T09:52:26Z)
• BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling and Informative Active Annotation [39.9910035951912]
  本稿では,BoostMISという新しい半教師付き学習(SSL)フレームワークを提案する。 適応的な擬似ラベリングと情報的アクティブアノテーションを組み合わせて、医療画像SSLモデルの可能性を解き放つ。
  論文  参考訳（メタデータ） (2022-03-04T19:19:41Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• 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)

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。