論文の概要: Boosting Generic Semi-Supervised Medical Image Segmentation via Diverse Teaching and Label Propagation

• arxiv url: http://arxiv.org/abs/2508.08549v1
• Date: Tue, 12 Aug 2025 01:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.268029
• Title: Boosting Generic Semi-Supervised Medical Image Segmentation via Diverse Teaching and Label Propagation
• Title（参考訳）: 異方性教育とラベル伝播による半監督型医用画像セグメンテーションの促進
• Authors: Wei Li, Pengcheng Zhou, Linye Ma, Wenyi Zhao, Huihua Yang,
• Abstract要約: 3つのタスク全てをマスターする汎用フレームワークを開発する。 この問題を解決する鍵は、ラベルのないデータに対して信頼できる擬似ラベルを生成する方法にある。 提案するフレームワークを5つのベンチマークデータセットで評価する。
• 参考スコア（独自算出の注目度）: 5.809119955629779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both limited annotation and domain shift are significant challenges frequently encountered in medical image segmentation, leading to derivative scenarios like semi-supervised medical (SSMIS), semi-supervised medical domain generalization (Semi-MDG) and unsupervised medical domain adaptation (UMDA). Conventional methods are generally tailored to specific tasks in isolation, the error accumulation hinders the effective utilization of unlabeled data and limits further improvements, resulting in suboptimal performance when these issues occur. In this paper, we aim to develop a generic framework that masters all three tasks. We found that the key to solving the problem lies in how to generate reliable pseudo labels for the unlabeled data in the presence of domain shift with labeled data and increasing the diversity of the model. To tackle this issue, we employ a Diverse Teaching and Label Propagation Network (DTLP-Net) to boosting the Generic Semi-Supervised Medical Image Segmentation. Our DTLP-Net involves a single student model and two diverse teacher models, which can generate reliable pseudo-labels for the student model. The first teacher model decouple the training process with labeled and unlabeled data, The second teacher is momentum-updated periodically, thus generating reliable yet divers pseudo-labels. To fully utilize the information within the data, we adopt inter-sample and intra-sample data augmentation to learn the global and local knowledge. In addition, to further capture the voxel-level correlations, we propose label propagation to enhance the model robust. We evaluate our proposed framework on five benchmark datasets for SSMIS, UMDA, and Semi-MDG tasks. The results showcase notable improvements compared to state-of-the-art methods across all five settings, indicating the potential of our framework to tackle more challenging SSL scenarios.
• Abstract（参考訳）: 限定アノテーションとドメインシフトは、医用画像セグメンテーションにおいてしばしば発生する重要な課題であり、半監督医療(SSMIS)、半監督医療領域一般化(Semi-MDG)、非監督医療領域適応(UMDA)などの派生シナリオに繋がる。 従来の手法は、通常、特定のタスクを個別に調整するが、エラーの蓄積はラベル付けされていないデータの有効利用を妨げ、さらなる改善を制限し、これらの問題が発生した場合の準最適性能をもたらす。 本稿では,3つのタスク全てをマスターする汎用フレームワークを開発することを目的とする。 この問題を解決する鍵は、ラベル付きデータによるドメインシフトの存在下で、ラベル付きデータに対する信頼性の高い擬似ラベルを生成する方法と、モデルの多様性を高めることである。 この問題に対処するため,私たちはDTLP-Net(Diverse Teaching and Label Propagation Network)を用いて,ジェネリック・セミスーパーバイズド・メディカルイメージ・セグメンテーションを強化した。 我々のDTLP-Netは、学生モデルと2つの多様な教師モデルを含んでおり、学生モデルに対して信頼できる擬似ラベルを生成することができる。 第1の教師モデルは、ラベル付きおよびラベルなしのデータでトレーニングプロセスを分離する。 データ内の情報をフル活用するために,サンプル間およびサンプル内データ拡張を採用し,グローバルおよびローカルな知識を学習する。 さらに, ボクセルレベルの相関関係をさらに捉えるために, モデルをより堅牢にするためのラベル伝搬を提案する。 提案手法は,SSMIS,UMDA,Semi-MDGタスクの5つのベンチマークデータセットを用いて評価する。 その結果、5つの設定すべてで最先端のメソッドと比較して顕著な改善が見られ、より困難なSSLシナリオに取り組むためのフレームワークの可能性を示している。

関連論文リスト

• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割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） (2024-09-08T15:02:25Z)
• Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation [6.738522094694818]
  SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。 既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。 強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:13:04Z)
• Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation [13.707121013895929]
  本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。 我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。 ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
  論文  参考訳（メタデータ） (2023-08-31T09:13:34Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• 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。