論文の概要: ERSR: An Ellipse-constrained pseudo-label refinement and symmetric regularization framework for semi-supervised fetal head segmentation in ultrasound images

• arxiv url: http://arxiv.org/abs/2508.19815v1
• Date: Wed, 27 Aug 2025 12:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.618877
• Title: ERSR: An Ellipse-constrained pseudo-label refinement and symmetric regularization framework for semi-supervised fetal head segmentation in ultrasound images
• Title（参考訳）: ERSR : 超音波画像における半教師付き胎児頭部分割のための楕円制約付き擬似ラベル精製と対称正則化フレームワーク
• Authors: Linkuan Zhou, Zhexin Chen, Yufei Shen, Junlin Xu, Ping Xuan, Yixin Zhu, Yuqi Fang, Cong Cong, Leyi Wei, Ran Su, Jia Zhou, Qiangguo Jin,
• Abstract要約: 胎児頭部超音波セグメント化のための新しい半教師付きフレームワークERSRを提案する。 本フレームワークは, 二重符号化適応フィルタリング戦略, 楕円制約付き擬ラベル改良, 対称性に基づく多重整合正則化からなる。 提案手法は,2つのベンチマーク上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 11.602941736726633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated segmentation of the fetal head in ultrasound images is critical for prenatal monitoring. However, achieving robust segmentation remains challenging due to the poor quality of ultrasound images and the lack of annotated data. Semi-supervised methods alleviate the lack of annotated data but struggle with the unique characteristics of fetal head ultrasound images, making it challenging to generate reliable pseudo-labels and enforce effective consistency regularization constraints. To address this issue, we propose a novel semi-supervised framework, ERSR, for fetal head ultrasound segmentation. Our framework consists of the dual-scoring adaptive filtering strategy, the ellipse-constrained pseudo-label refinement, and the symmetry-based multiple consistency regularization. The dual-scoring adaptive filtering strategy uses boundary consistency and contour regularity criteria to evaluate and filter teacher outputs. The ellipse-constrained pseudo-label refinement refines these filtered outputs by fitting least-squares ellipses, which strengthens pixels near the center of the fitted ellipse and suppresses noise simultaneously. The symmetry-based multiple consistency regularization enforces multi-level consistency across perturbed images, symmetric regions, and between original predictions and pseudo-labels, enabling the model to capture robust and stable shape representations. Our method achieves state-of-the-art performance on two benchmarks. On the HC18 dataset, it reaches Dice scores of 92.05% and 95.36% with 10% and 20% labeled data, respectively. On the PSFH dataset, the scores are 91.68% and 93.70% under the same settings.
• Abstract（参考訳）: 超音波画像における胎児頭部の自動分節は出生前モニタリングにおいて重要である。 しかし, 超音波画像の品質が低下し, 注釈データの欠如により, 頑健なセグメンテーションを実現することは依然として困難である。 半教師付き手法は、注釈付きデータの欠如を緩和するが、胎児頭部超音波画像の特徴に苦慮し、信頼性の高い擬似ラベルを生成し、効果的な整合性正規化制約を施行することは困難である。 そこで本研究では,胎児頭部超音波セグメント化のための新しい半教師付きフレームワークERSRを提案する。 本フレームワークは, 二重符号化適応フィルタリング戦略, 楕円制約付き擬ラベル改良, 対称性に基づく多重整合正則化からなる。 デュアルスコリング適応フィルタリング戦略は,教師出力の評価とフィルタリングに境界整合性および輪郭規則性基準を用いる。 楕円制約付き擬似ラベル精細化は、これらのフィルタ出力を最小二乗楕円を嵌合させることで洗練し、装着された楕円の中心付近の画素を強化し、同時にノイズを抑制する。 対称性に基づく多重整合規則化は、摂動画像、対称領域、および元の予測と擬似ラベルの間の多レベル整合性を強制し、モデルが堅牢で安定した形状表現をキャプチャすることを可能にする。 提案手法は,2つのベンチマーク上での最先端性能を実現する。 HC18データセットでは、Diceスコアが92.05%、95.36%、ラベル付きデータが10%、20%に達している。 PSFHデータセットでは、スコアは同じ設定で91.68%、93.70%である。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Consistency-aware Self-Training for Iterative-based Stereo Matching [13.079759982779013]
  本稿では,反復型ステレオマッチングのための一貫性を考慮した自己学習フレームワークを提案する。 まず, 誤差が大きい地域では, モデル予測時により顕著な発振特性を示す傾向が見られた。 そこで我々は,疑似ラベルの重み付けを調整し,誤りの蓄積と性能劣化問題を軽減するために,整合性を考慮したソフトウェイトド・ロスを導入する。
  論文  参考訳（メタデータ） (2025-03-31T05:58:25Z)
• CW-BASS: Confidence-Weighted Boundary-Aware Learning for Semi-Supervised Semantic Segmentation [26.585985828583304]
  半教師付きセマンティックセマンティックセグメンテーション(SSSS)は,ラベル付きサンプルを限定した大量のラベル付きデータを活用することで,パフォーマンスの向上を目指している。 既存の手法はしばしば結合に悩まされ、初期ラベル付きデータへの過度な依存は、最適以下の学習に繋がる。 SSSSの新しいフレームワークであるCW-BASSを提案する。
  論文  参考訳（メタデータ） (2025-02-21T02:24:10Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• AdaWAC: Adaptively Weighted Augmentation Consistency Regularization for Volumetric Medical Image Segmentation [3.609538870261841]
  本稿では,容積医用画像分割のための適応重み付けアルゴリズムを提案する。 AdaWACは、ラベルセンスサンプルを教師付きクロスエントロピー損失とラベルスパースサンプルを整合正則化に割り当てる。 我々は,AdaWACがセグメンテーション性能とサンプル効率を向上させるだけでなく,ラベルのサブポピュレーションシフトに対するロバスト性を向上させることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-10-04T20:28:38Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。