論文の概要: MetaSSL: A General Heterogeneous Loss for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.01144v1
• Date: Mon, 01 Sep 2025 05:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.553202
• Title: MetaSSL: A General Heterogeneous Loss for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: MetaSSL:半スーパービジョンの医療画像セグメンテーションのための一般的な不均一な損失
• Authors: Weiren Zhao, Lanfeng Zhong, Xin Liao, Wenjun Liao, Sichuan Zhang, Shaoting Zhang, Guotai Wang,
• Abstract要約: 医用画像セグメンテーションモデルのアノテーションコストを低減するためには,セミ・スーパーバイザード・ラーニングが重要である。 空間的不均一な損失に基づくユニバーサルフレームワークMetaSSLを提案する。 我々の手法はプラグアンドプレイであり、ほとんどの既存のSSLメソッドに対して一般的である。
• 参考スコア（独自算出の注目度）: 26.75334172633309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-Supervised Learning (SSL) is important for reducing the annotation cost for medical image segmentation models. State-of-the-art SSL methods such as Mean Teacher, FixMatch and Cross Pseudo Supervision (CPS) are mainly based on consistency regularization or pseudo-label supervision between a reference prediction and a supervised prediction. Despite the effectiveness, they have overlooked the potential noise in the labeled data, and mainly focus on strategies to generate the reference prediction, while ignoring the heterogeneous values of different unlabeled pixels. We argue that effectively mining the rich information contained by the two predictions in the loss function, instead of the specific strategy to obtain a reference prediction, is more essential for SSL, and propose a universal framework MetaSSL based on a spatially heterogeneous loss that assigns different weights to pixels by simultaneously leveraging the uncertainty and consistency information between the reference and supervised predictions. Specifically, we split the predictions on unlabeled data into four regions with decreasing weights in the loss: Unanimous and Confident (UC), Unanimous and Suspicious (US), Discrepant and Confident (DC), and Discrepant and Suspicious (DS), where an adaptive threshold is proposed to distinguish confident predictions from suspicious ones. The heterogeneous loss is also applied to labeled images for robust learning considering the potential annotation noise. Our method is plug-and-play and general to most existing SSL methods. The experimental results showed that it improved the segmentation performance significantly when integrated with existing SSL frameworks on different datasets. Code is available at https://github.com/HiLab-git/MetaSSL.
• Abstract（参考訳）: 医用画像セグメンテーションモデルのアノテーションコスト削減には,半教師付き学習(SSL)が重要である。 Mean Teacher、FixMatch、Cross Pseudo Supervision (CPS)のような最先端のSSLメソッドは、主に参照予測と教師付き予測の間の整合正則化または擬似ラベル監督に基づいている。 有効性にもかかわらず、彼らはラベル付きデータの潜在的なノイズを見落とし、主に参照予測を生成する戦略に焦点を当て、異なるラベル付き画素の不均一な値を無視した。 本稿では,参照予測を得るための具体的な戦略ではなく,損失関数に含まれる2つの予測に含まれるリッチな情報を効果的にマイニングすることがSSLにとって重要であることを論じ,参照と教師付き予測の間の不確実性と一貫性情報を同時に活用して,異なる重みを画素に割り当てる空間的不均一な損失に基づく普遍的なフレームワークMetaSSLを提案する。 具体的には、未ラベルデータの予測を、損失の重みを減らした4つの領域に分割した: ユニニマス・信頼(UC)、ユニニマス・サスペクティブ(US)、ディスレパント・信頼(DC)、ディスレパント・サスペクティブ(DS)。 また、潜在的なアノテーションノイズを考慮した頑健な学習のためのラベル付き画像にも不均一な損失が適用される。 我々の手法はプラグアンドプレイであり、ほとんどの既存のSSLメソッドに対して一般的である。 実験の結果、異なるデータセット上の既存のSSLフレームワークと統合した場合、セグメンテーション性能が大幅に改善された。 コードはhttps://github.com/HiLab-git/MetaSSLで入手できる。

関連論文リスト

• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• Do not trust what you trust: Miscalibration in Semi-supervised Learning [21.20806568508201]
  最先端の半教師付き学習(SSL)アプローチは、ラベルなしサンプルのトレーニングをガイドする擬似ラベルとして機能するために、信頼性の高い予測に依存している。 擬似ラベルに基づくSSL方式は, かなり誤解されていることを示し, ミンエントロピーの最小化を正式に示す。 我々は単純なペナルティ項を統合し、ラベルのないサンプルの予測のロジットを低く保ち、ネットワーク予測が過信にならないようにする。
  論文  参考訳（メタデータ） (2024-03-22T18:43:46Z)
• Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation [16.136085351887814]
  本稿では,LeFeDと呼ばれる新しい半教師付き学習手法を提案する。 LeFeDは、デコーダから得られる特徴レベルの不一致を、フィードバック信号としてエンコーダに供給することで学習する。 LeFeDは、不確実性推定や強い制約など、競争相手に勝っている。
  論文  参考訳（メタデータ） (2023-09-26T10:33:20Z)
• Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
  本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。 HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。 本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T06:19:13Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Complementing Semi-Supervised Learning with Uncertainty Quantification [6.612035830987296]
  そこで本研究では,アレータ性およびてんかん性不確実性定量化に依存する,教師なし不確実性認識の新たな目的を提案する。 CIFAR-100やMini-ImageNetのような複雑なデータセットでは,結果が最先端の成果よりも優れています。
  論文  参考訳（メタデータ） (2022-07-22T00:15:02Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels [5.500466607182699]
  半教師付き学習は、医用画像におけるラベル不足の問題に対処する上で有望なパラダイムである。 MisMatchは、ペアの予測間の一貫性に基づいた半教師付きセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2021-10-23T09:22:41Z)
• Information Bottleneck Constrained Latent Bidirectional Embedding for Zero-Shot Learning [59.58381904522967]
  本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。 視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。 本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
  論文  参考訳（メタデータ） (2020-09-16T03:54:12Z)
• Semi-supervised learning objectives as log-likelihoods in a generative model of data curation [32.45282187405337]
  データキュレーションの生成モデルにおいて、SSLの目的をログライクな形式として定式化する。 おもちゃのデータにベイジアンSSLの証明を与える。
  論文  参考訳（メタデータ） (2020-08-13T13:50:27Z)

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。