論文の概要: SingleStrip: learning skull-stripping from a single labeled example
- arxiv url: http://arxiv.org/abs/2508.10464v1
- Date: Thu, 14 Aug 2025 09:05:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.243832
- Title: SingleStrip: learning skull-stripping from a single labeled example
- Title（参考訳）: SingleStrip: 1つのラベル付き例から頭蓋骨の切り抜きを学ぶ
- Authors: Bella Specktor-Fadida, Malte Hoffmann,
- Abstract要約: ドメインランダム化と自己学習を用いて3次元頭蓋骨切断ネットワークを訓練する。
ネットワークを微調整するために上位の擬似ラベルを選択する。
この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
- 参考スコア（独自算出の注目度）: 1.54032564881154
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning segmentation relies heavily on labeled data, but manual labeling is laborious and time-consuming, especially for volumetric images such as brain magnetic resonance imaging (MRI). While recent domain-randomization techniques alleviate the dependency on labeled data by synthesizing diverse training images from label maps, they offer limited anatomical variability when very few label maps are available. Semi-supervised self-training addresses label scarcity by iteratively incorporating model predictions into the training set, enabling networks to learn from unlabeled data. In this work, we combine domain randomization with self-training to train three-dimensional skull-stripping networks using as little as a single labeled example. First, we automatically bin voxel intensities, yielding labels we use to synthesize images for training an initial skull-stripping model. Second, we train a convolutional autoencoder (AE) on the labeled example and use its reconstruction error to assess the quality of brain masks predicted for unlabeled data. Third, we select the top-ranking pseudo-labels to fine-tune the network, achieving skull-stripping performance on out-of-distribution data that approaches models trained with more labeled images. We compare AE-based ranking to consistency-based ranking under test-time augmentation, finding that the AE approach yields a stronger correlation with segmentation accuracy. Our results highlight the potential of combining domain randomization and AE-based quality control to enable effective semi-supervised segmentation from extremely limited labeled data. This strategy may ease the labeling burden that slows progress in studies involving new anatomical structures or emerging imaging techniques.
- Abstract（参考訳）: 深層学習のセグメンテーションはラベル付きデータに大きく依存するが、特に脳磁気共鳴画像(MRI)のようなボリューム画像では手動ラベリングは手間と時間を要する。
最近のドメインランダム化技術はラベルマップから多様なトレーニングイメージを合成することでラベル付きデータへの依存を緩和するが、ラベルマップがほとんど利用できない場合に限定的な解剖学的変動をもたらす。
トレーニングセットにモデル予測を反復的に組み込むことで、ラベルのないデータからネットワークが学習できるようにする。
本研究では,ドメインランダム化と自己学習を組み合わせることで,単一のラベル付き例を用いて3次元頭蓋切断ネットワークを訓練する。
まず、ボクセル強度を自動的にビン化し、画像の合成に使用するラベルを出力し、初期頭蓋骨切断モデルのトレーニングを行う。
次に、ラベル付きサンプルに畳み込みオートエンコーダ(AE)をトレーニングし、その再構成誤差を用いてラベルなしデータに対して予測される脳マスクの品質を評価する。
第三に、ネットワークを微調整するために上位の擬似ラベルを選択し、より多くのラベル付き画像で訓練されたモデルにアプローチする分布外データにおいて頭蓋骨切断性能を達成する。
AEに基づくランキングとテスト時間拡張時の一貫性に基づくランキングを比較し,AE手法がセグメンテーション精度とより強い相関関係を示すことを示した。
この結果から,ドメインランダム化とAEベースの品質制御を組み合わせることで,ラベル付きデータから効果的な半教師付きセグメンテーションを実現する可能性が示された。
この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
関連論文リスト
- Co-Training with Active Contrastive Learning and Meta-Pseudo-Labeling on 2D Projections for Deep Semi-Supervised Learning [42.56511266791916]
SSLはこの課題に対処し、ラベル付きで豊富なラベル付けされていないデータを活用する。
教師によるメタ擬似ラベリングとALを効果的に組み合わせた能動型DeepFAを提案する。
論文 参考訳（メタデータ） (2025-04-25T19:41:45Z) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - 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) - Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。
HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。
本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
論文 参考訳（メタデータ） (2023-08-08T03:34:04Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳（メタデータ） (2021-08-04T15:50:09Z) - 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) - 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) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。