論文の概要: SynMatch: Rethinking Consistency in Medical Image Segmentation with Sparse Annotations

• arxiv url: http://arxiv.org/abs/2508.07298v1
• Date: Sun, 10 Aug 2025 11:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.796214
• Title: SynMatch: Rethinking Consistency in Medical Image Segmentation with Sparse Annotations
• Title（参考訳）: SynMatch: スパースアノテーションによる医用画像分割における一貫性の再考
• Authors: Zhiqiang Shen, Peng Cao, Xiaoli Liu, Jinzhu Yang, Osmar R. Zaiane,
• Abstract要約: SynMatchは、イメージを合成することで擬似ラベルを改善する必要性を助長する、新しいフレームワークである。 我々は、半教師付き学習(SSL)、弱い教師付き学習(WSL)、ほとんど教師付き学習(BSL)設定の下で、多様な医用画像セグメンテーションタスクのSynMatchを広範囲に評価した。 その結果,SynMatchは特に難易度の高いBSL設定において優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 23.454306668855907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label scarcity remains a major challenge in deep learning-based medical image segmentation. Recent studies use strong-weak pseudo supervision to leverage unlabeled data. However, performance is often hindered by inconsistencies between pseudo labels and their corresponding unlabeled images. In this work, we propose \textbf{SynMatch}, a novel framework that sidesteps the need for improving pseudo labels by synthesizing images to match them instead. Specifically, SynMatch synthesizes images using texture and shape features extracted from the same segmentation model that generates the corresponding pseudo labels for unlabeled images. This design enables the generation of highly consistent synthesized-image-pseudo-label pairs without requiring any training parameters for image synthesis. We extensively evaluate SynMatch across diverse medical image segmentation tasks under semi-supervised learning (SSL), weakly-supervised learning (WSL), and barely-supervised learning (BSL) settings with increasingly limited annotations. The results demonstrate that SynMatch achieves superior performance, especially in the most challenging BSL setting. For example, it outperforms the recent strong-weak pseudo supervision-based method by 29.71\% and 10.05\% on the polyp segmentation task with 5\% and 10\% scribble annotations, respectively. The code will be released at https://github.com/Senyh/SynMatch.
• Abstract（参考訳）: ディープラーニングベースの医療画像セグメンテーションにおいて、ラベルの不足は依然として大きな課題である。 近年の研究では、ラベルのないデータを活用するために、強い弱みの疑似監視を用いている。 しかし、擬似ラベルと対応する未ラベル画像との矛盾により、性能が損なわれることがしばしばある。 そこで本研究では,画像の合成による擬似ラベルの改良を助長する新しいフレームワークである \textbf{SynMatch} を提案する。 特に、SynMatchは、同じセグメンテーションモデルから抽出されたテクスチャと形状の特徴を用いて画像を合成し、ラベルなし画像の対応する擬似ラベルを生成する。 この設計により、画像合成のトレーニングパラメータを必要とせずに、高度に一貫した合成画像-擬似ラベルペアを生成することができる。 我々は、半教師付き学習(SSL)、弱教師付き学習(WSL)、弱教師付き学習(BSL)といった様々な医療画像セグメンテーションタスクにまたがって、SynMatchを広範囲に評価した。 その結果,SynMatchは特に難易度の高いBSL設定において優れた性能を発揮することが示された。 例えば、最近の強弱擬似監督法では、ポリプセグメンテーションタスクにおいて、それぞれ 5 % と 10 % のスクリブルアノテーションで 29.71 % と 10.05 % を上回ります。 コードはhttps://github.com/Senyh/SynMatch.comでリリースされる。

関連論文リスト

• Striving for Simplicity: Simple Yet Effective Prior-Aware Pseudo-Labeling for Semi-Supervised Ultrasound Image Segmentation [40.08784389029472]
  医用超音波画像はユビキタスだが、手動による解析はペースを維持するのに苦労している。 ラベル付きデータと制限付きデータの両方を活用する半教師付き学習は、有望なアプローチである。 そこで本研究では,正則化に先立って,逆学習した形状の簡単な擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2025-03-18T07:44:09Z)
• Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning [8.387189407144403]
  我々は、完全注釈付きデータセットのキュレーションが高価である問題に対する効果的な学習パラダイムとして、弱い教師付き学習を動機付けている。 PLL(Partial Learning)は、各トレーニングインスタンスが候補ラベルのセットとペアリングされる、弱い教師付き学習パラダイムである。 本稿では,近傍の重み付けアルゴリズムを用いて,まず画像に擬似ラベルを割り当てるフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-07T13:32:47Z)
• Rectifying Noisy Labels with Sequential Prior: Multi-Scale Temporal Feature Affinity Learning for Robust Video Segmentation [15.509243984236162]
  ノイズラベル問題は、医療画像セグメンテーション内に必然的に存在し、性能が著しく低下する。 ノイズラベル付き医療ビデオセグメンテーション問題を解決するために,マルチスケールの時間的特徴親和性学習フレームワークを提案する。 合成および実世界のラベルノイズを用いた実験により,本手法は最近の最先端のロバストなセグメンテーション手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-12T04:10:16Z)
• Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation [141.16965264264195]
  Sparsely Annotated semantic segmentation (SASS) は、粗い粒度の監督によるセグメンテーションネットワークのトレーニングを目的としている。 ラベルなし画素のセマンティックガイダンスを提供することにより,SASSの新たなツリーエネルギー損失を提案する。
  論文  参考訳（メタデータ） (2022-03-21T05:16:23Z)
• USIS: Unsupervised Semantic Image Synthesis [9.613134538472801]
  セマンティック画像合成(USIS)のための新しい教師なしパラダイムを提案する。 USISは、自己教師付きセグメンテーションロスを使用して、視覚的に分離可能なセグメンテーションクラスで画像を出力することを学ぶ。 実画像の色とテクスチャの分布を高周波数情報を失うことなく一致させるため,ウェーブレットを用いた識別手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T20:48:41Z)
• POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring [3.4253416336476246]
  半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。 画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
  論文  参考訳（メタデータ） (2021-09-13T23:36:36Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• 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)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。