論文の概要: From Noisy Labels to Intrinsic Structure: A Geometric-Structural Dual-Guided Framework for Noise-Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.02419v1
• Date: Tue, 02 Sep 2025 15:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.084558
• Title: From Noisy Labels to Intrinsic Structure: A Geometric-Structural Dual-Guided Framework for Noise-Robust Medical Image Segmentation
• Title（参考訳）: ノイズラベルから本質構造へ:ノイズ・ロバストな医用画像分割のための幾何学的構造的デュアルガイドフレームワーク
• Authors: Tao Wang, Zhenxuan Zhang, Yuanbo Zhou, Xinlin Zhang, Yuanbin Chen, Tao Tan, Guang Yang, Tong Tong,
• Abstract要約: 医用画像分割における畳み込みニューラルネットワークの有効性は、大規模で高品質なアノテーションに依存している。 GSD-Netは、幾何学的および構造的手がかりを統合し、ノイズの多いアノテーションに対する堅牢性を改善する。 Kvasirでは2.52%、深センでは22.76%、BU-SUCでは8.87%、BraTS 2020では4.59%の改善を実現している。
• 参考スコア（独自算出の注目度）: 23.314145695015934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of convolutional neural networks in medical image segmentation relies on large-scale, high-quality annotations, which are costly and time-consuming to obtain. Even expert-labeled datasets inevitably contain noise arising from subjectivity and coarse delineations, which disrupt feature learning and adversely impact model performance. To address these challenges, this study propose a Geometric-Structural Dual-Guided Network (GSD-Net), which integrates geometric and structural cues to improve robustness against noisy annotations. It incorporates a Geometric Distance-Aware module that dynamically adjusts pixel-level weights using geometric features, thereby strengthening supervision in reliable regions while suppressing noise. A Structure-Guided Label Refinement module further refines labels with structural priors, and a Knowledge Transfer module enriches supervision and improves sensitivity to local details. To comprehensively assess its effectiveness, we evaluated GSD-Net on six publicly available datasets: four containing three types of simulated label noise, and two with multi-expert annotations that reflect real-world subjectivity and labeling inconsistencies. Experimental results demonstrate that GSD-Net achieves state-of-the-art performance under noisy annotations, achieving improvements of 2.52% on Kvasir, 22.76% on Shenzhen, 8.87% on BU-SUC, and 4.59% on BraTS2020 under SR simulated noise. The codes of this study are available at https://github.com/ortonwang/GSD-Net.
• Abstract（参考訳）: 医用画像セグメンテーションにおける畳み込みニューラルネットワークの有効性は、大規模で高品質なアノテーションに依存している。 専門家ラベル付きデータセットでさえ、主観性と粗い記述から生じるノイズを必然的に含み、特徴学習を妨害し、モデルのパフォーマンスに悪影響を及ぼす。 これらの課題に対処するために,幾何的および構造的手がかりを統合し,ノイズのあるアノテーションに対するロバスト性を改善する幾何学的構造的デュアルガイドネットワーク(GSD-Net)を提案する。 幾何学的特徴を用いてピクセルレベルの重みを動的に調整し、ノイズを抑えながら信頼性の高い領域の監督を強化する。 Structure-Guided Label Refinementモジュールは、さらに構造的な事前でラベルを洗練し、Knowledge Transferモジュールは、監督を強化し、ローカル詳細に対する感度を改善する。 提案手法の有効性を総合的に評価するため,GSD-Netを3種類のラベルノイズを含む6つの公開データセットで評価し,実世界の主観性とラベルの不整合を反映したマルチエキスパートアノテーションを用いた2つの評価を行った。 実験の結果、GSD-Netはノイズの多いアノテーションの下で最先端のパフォーマンスを達成し、Kvasirで2.52%、深センで22.76%、BU-SUCで8.87%、SRシミュレートされたノイズでBraTS2020で4.59%の改善を達成した。 この研究のコードはhttps://github.com/ortonwang/GSD-Net.comで公開されている。

関連論文リスト

• RANA: Robust Active Learning for Noisy Network Alignment [15.699177589917044]
  ノイズの多いネットワークアライメントのためのロバスト能動学習フレームワークであるRANAを提案する。 RANAは、アンカーリンクアノテーションの幅に対処しながら、構造ノイズとラベルノイズの両方に効果的に取り組む。 RANAはアライメント精度において最先端の能動的学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-30T07:26:40Z)
• A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection [0.0]
  重なり合う構造を持つネットワークにおけるコミュニティ検出は依然として重要な課題である。 重なり合うコミュニティを頑健に検出するために,グラフの多面的注意とモジュール性を組み合わせた半教師付きグラフオートエンコーダを提案する。 主なイノベーションは、耐雑音性アーキテクチャと、コミュニティの品質に最適化されたセマンティックな半教師付き設計である。
  論文  参考訳（メタデータ） (2025-05-09T11:34:07Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network [36.860069663770226]
  レイヤアテンションに基づく耐雑音性ネットワークLANTNetを提案する。 特に、異なる畳み込み層の機能を適応的に重み付けするレイヤーアテンションモジュールを設計する。 3つのSARデータセットの実験結果から,提案したLANTNetは,複数の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-09T01:04:39Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)

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。