Fugu-MT 論文翻訳(概要): Addressing Annotation Scarcity in Hyperspectral Brain Image Segmentation with Unsupervised Domain Adaptation

論文の概要: Addressing Annotation Scarcity in Hyperspectral Brain Image Segmentation with Unsupervised Domain Adaptation

arxiv url: http://arxiv.org/abs/2508.16934v1
Date: Sat, 23 Aug 2025 07:55:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-26 18:43:45.261246
Title: Addressing Annotation Scarcity in Hyperspectral Brain Image Segmentation with Unsupervised Domain Adaptation
Title（参考訳）: 教師なし領域適応によるハイパースペクトル脳画像分割におけるアノテーションの対応
Authors: Tim Mach, Daniel Rueckert, Alex Berger, Laurin Lux, Ivan Ezhov,
Abstract要約: 本研究は、高スペクトル脳画像における脳血管のセグメンテーションのための新しいディープラーニングフレームワークを提案する。本研究は,従来の教師付きトレーニングを阻害する重度ラベル不足に対する批判的課題に対処する。
参考スコア（独自算出の注目度）: 19.825726661157965
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work presents a novel deep learning framework for segmenting cerebral vasculature in hyperspectral brain images. We address the critical challenge of severe label scarcity, which impedes conventional supervised training. Our approach utilizes a novel unsupervised domain adaptation methodology, using a small, expert-annotated ground truth alongside unlabeled data. Quantitative and qualitative evaluations confirm that our method significantly outperforms existing state-of-the-art approaches, demonstrating the efficacy of domain adaptation for label-scarce biomedical imaging tasks.
Abstract（参考訳）: 本研究は、高スペクトル脳画像における脳血管のセグメンテーションのための新しいディープラーニングフレームワークを提案する。本研究は,従来の教師付きトレーニングを阻害する重度ラベル不足に対する批判的課題に対処する。提案手法は, 未ラベルデータとともに, 専門家が注釈付けした小さな真実を用いて, 教師なし領域適応手法を用いている。定量的,定性的な評価により,本手法は既存の最先端のアプローチを著しく上回り,ラベル・スカースバイオメディカルイメージングタスクにおけるドメイン適応の有効性が証明された。

関連論文リスト

Semi-Supervised Medical Image Segmentation via Dual Networks [1.904929457002693]
本稿では,大規模な専門家ラベル付きデータセットへの依存を減らすために,革新的な半教師付き3次元医用画像分割法を提案する。本稿では,コンテキスト情報を用いた既存手法の制約に対処するデュアルネットワークアーキテクチャを提案する。臨床磁気共鳴画像実験により,我々のアプローチは最先端技術より優れていることが示された。
論文参考訳（メタデータ） (2025-05-23T09:59:26Z)
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)
Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images [45.132775668689604]
アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
論文参考訳（メタデータ） (2023-04-07T08:31:06Z)
Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。私たちのアプローチは既存のドメイン戦略よりも優れています。
論文参考訳（メタデータ） (2021-07-20T09:44:07Z)
Pathological Image Segmentation with Noisy Labels [13.8002043402326]
本稿では,各画素の異なる専門家のラベルの信頼性を考慮した新しいラベル再重み付けフレームワークを提案する。我々はまた、モデルの重要領域への注力を促すために、事前知識として粗さを生かした新しい注目ヒートマップも考案した。
論文参考訳（メタデータ） (2021-03-20T03:36:06Z)
Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文参考訳（メタデータ） (2021-03-01T06:05:49Z)
Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2020-12-07T03:37:38Z)
Contrastive Registration for Unsupervised Medical Image Segmentation [1.5125686694430571]
非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
論文参考訳（メタデータ） (2020-11-17T19:29:08Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文参考訳（メタデータ） (2020-07-05T11:49:17Z)

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。