論文の概要: Diversity-enhanced Collaborative Mamba for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2508.13712v1
• Date: Tue, 19 Aug 2025 10:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.889578
• Title: Diversity-enhanced Collaborative Mamba for Semi-supervised Medical Image Segmentation
• Title（参考訳）: 半教師型医用画像分割のための多様性向上型協調型マンバ
• Authors: Shumeng Li, Jian Zhang, Lei Qi, Luping Zhou, Yinghuan Shi, Yang Gao,
• Abstract要約: 半教師型医用画像セグメンテーションのための新しい多様性向上型協調型マンバフレームワークを提案する。 データの観点から,マンバの走査型モデリング特性を用いたパッチレベルの弱い混合強化を開発する。 ネットワークの観点からは、異なる走査方向から発生する予測の相違から恩恵を受けることができる多様なスキャン協調モジュールを導入する。
• 参考スコア（独自算出の注目度）: 43.28818131076307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acquiring high-quality annotated data for medical image segmentation is tedious and costly. Semi-supervised segmentation techniques alleviate this burden by leveraging unlabeled data to generate pseudo labels. Recently, advanced state space models, represented by Mamba, have shown efficient handling of long-range dependencies. This drives us to explore their potential in semi-supervised medical image segmentation. In this paper, we propose a novel Diversity-enhanced Collaborative Mamba framework (namely DCMamba) for semi-supervised medical image segmentation, which explores and utilizes the diversity from data, network, and feature perspectives. Firstly, from the data perspective, we develop patch-level weak-strong mixing augmentation with Mamba's scanning modeling characteristics. Moreover, from the network perspective, we introduce a diverse-scan collaboration module, which could benefit from the prediction discrepancies arising from different scanning directions. Furthermore, from the feature perspective, we adopt an uncertainty-weighted contrastive learning mechanism to enhance the diversity of feature representation. Experiments demonstrate that our DCMamba significantly outperforms other semi-supervised medical image segmentation methods, e.g., yielding the latest SSM-based method by 6.69% on the Synapse dataset with 20% labeled data.
• Abstract（参考訳）: 医用画像分割のための高品質な注釈付きデータを取得するのは面倒で費用がかかる。 半教師付きセグメンテーション技術は、ラベルのないデータを利用して擬似ラベルを生成することにより、この負担を軽減する。 近年、Mambaによって表現された高度な状態空間モデルでは、長距離依存の効率的な処理が示されている。 これにより、半教師付き医療画像セグメンテーションにおけるその可能性を探ることができます。 本稿では,データ,ネットワーク,特徴の多様性を探求し,活用する半教師型医用画像分割のための新しい多様性向上型協調型マンバフレームワーク(DCMamba)を提案する。 まず,データの観点から,マンバの走査型モデリング特性を用いたパッチレベルの弱い混合強化を開発する。 さらに,ネットワークの観点からは,異なる走査方向から発生する予測の相違から恩恵を受けることができる多様なスキャン協調モジュールを導入する。 さらに,特徴表現の多様性を高めるために,不確実性重み付きコントラスト学習機構を採用する。 実験により、DCMambaは他の半教師付き医用画像分割法、例えば、最新のSSMベースの手法を20%ラベル付きデータでSynapseデータセット上で6.69%上回った。

関連論文リスト

• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• KAN-Mamba FusionNet: Redefining Medical Image Segmentation with Non-Linear Modeling [3.2971993272923443]
  医用画像のセグメンテーション精度を向上させるために,新しいアーキテクチャであるkan-Mamba FusionNetを提案する。 IoUとF1スコアの最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2024-11-18T09:19:16Z)
• Manifold-Aware Local Feature Modeling for Semi-Supervised Medical Image Segmentation [20.69908466577971]
  マニフォールド対応局所特徴モデリングネットワーク (MANet) を導入し, 多様体監視信号を組み込むことでU-Netアーキテクチャを向上する。 ACDC、LA、Pancreas-NIHといったデータセットに関する我々の実験は、MANetがパフォーマンス指標における最先端の手法を一貫して超越していることを示しています。
  論文  参考訳（メタデータ） (2024-10-14T08:40:35Z)
• SliceMamba with Neural Architecture Search for Medical Image Segmentation [13.837666496926351]
  SliceMambaは,シンプルで効果的なマンバ型医用画像分割モデルである。 SliceMambaには、双方向機能スライシングを行う効率的な双方向スライススキャンモジュール(BSS)が含まれている。 また,対象データの特徴に基づいて最適な特徴スライス法を自動決定する適応スライス探索手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T13:13:31Z)
• Test-Time Generative Augmentation for Medical Image Segmentation [20.12850876150199]
  本稿では,テスト期間中の医用画像のセグメンテーションを強化する新しい手法を提案する。 入力テスト画像に手作り変換や関数を使う代わりに、先進的なドメインファインチューニング生成モデル(GM)の利用を提唱する。 医用画像分割作業におけるTTGAの有効性と有用性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-25T14:53:01Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。