論文の概要: Deep Self-knowledge Distillation: A hierarchical supervised learning for coronary artery segmentation
- arxiv url: http://arxiv.org/abs/2509.03173v1
- Date: Wed, 03 Sep 2025 09:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.479773
- Title: Deep Self-knowledge Distillation: A hierarchical supervised learning for coronary artery segmentation
- Title（参考訳）: Deep Self-knowledge Distillation: 冠状動脈分割術における階層的教師あり学習
- Authors: Mingfeng Lin,
- Abstract要約: 本稿では,冠状動脈分節の新しいアプローチであるDeep Self-knowledge Distillationを紹介する。
ディープ・ディストリビューション・ロスとPixel-wise Self-knowledge Distillation Lossを組み合わせることで,学生モデルのセグメンテーション性能を向上させる。
本手法は, 他のモデルと比較して, サイス係数, 精度, 感度, IoU が優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coronary artery disease is a leading cause of mortality, underscoring the critical importance of precise diagnosis through X-ray angiography. Manual coronary artery segmentation from these images is time-consuming and inefficient, prompting the development of automated models. However, existing methods, whether rule-based or deep learning models, struggle with issues like poor performance and limited generalizability. Moreover, current knowledge distillation methods applied in this field have not fully exploited the hierarchical knowledge of the model, leading to certain information waste and insufficient enhancement of the model's performance capabilities for segmentation tasks. To address these issues, this paper introduces Deep Self-knowledge Distillation, a novel approach for coronary artery segmentation that leverages hierarchical outputs for supervision. By combining Deep Distribution Loss and Pixel-wise Self-knowledge Distillation Loss, our method enhances the student model's segmentation performance through a hierarchical learning strategy, effectively transferring knowledge from the teacher model. Our method combines a loosely constrained probabilistic distribution vector with tightly constrained pixel-wise supervision, providing dual regularization for the segmentation model while also enhancing its generalization and robustness. Extensive experiments on XCAD and DCA1 datasets demonstrate that our approach outperforms the dice coefficient, accuracy, sensitivity and IoU compared to other models in comparative evaluations.
- Abstract（参考訳）: 冠動脈疾患は致命的な死因であり、X線アンギオグラフィーによる正確な診断の重要性が強調されている。
これらの画像からの手動冠動脈セグメンテーションは、時間がかかり非効率であり、自動化されたモデルの開発を促進する。
しかし、ルールベースのモデルやディープラーニングモデルといった既存の手法は、パフォーマンスの低下や一般化可能性の制限といった問題に悩まされている。
さらに, この分野で適用されている現在の知識蒸留法は, モデルの階層的知識を十分に活用していないため, 一定の情報ムダが発生し, セグメンテーションタスクにおけるモデルの性能向上が不十分である。
これらの課題に対処するために, 階層的アウトプットを利用した冠状動脈セグメンテーションの新しいアプローチであるDeep Self-knowledge Distillationを提案する。
本手法は,Deep Distribution LossとPixelwise Self-knowledge Distillation Lossを組み合わせることで,階層的な学習戦略を通じて学生モデルのセグメンテーション性能を高め,教師モデルから効果的に知識を伝達する。
本手法は,ゆるやかに制約された確率分布ベクトルと,厳密に制約された画素単位の監視を組み合わせることで,セグメンテーションモデルの二重正規化を実現するとともに,その一般化とロバスト性を向上させる。
XCADとDCA1データセットの大規模な実験により、我々のアプローチは、他のモデルと比較して、ダイス係数、精度、感度、IoUよりも優れていることが示された。
関連論文リスト
- LWT-ARTERY-LABEL: A Lightweight Framework for Automated Coronary Artery Identification [9.329025189487048]
本稿では, 解剖学的知識を規則に基づくトポロジー制約と統合し, 効率的な冠状動脈ラベリングを実現するための軽量な手法を提案する。
提案手法は, 冠状動脈自動ラベルリングの代替として, ベンチマークデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2025-08-09T08:03:54Z) - CM-UNet: A Self-Supervised Learning-Based Model for Coronary Artery Segmentation in X-Ray Angiography [32.67225649913398]
CM-UNetは、注釈なしデータセットの自己教師付き事前学習と限られた注釈付きデータでの転送学習を利用する。
500点ではなく18点の注釈付き画像で微調整されたCM-UNetは、Diceのスコアが15.2%低下した。
これは、X線血管造影による冠動脈セグメンテーション改善における自己教師的学習の重要性を強調した最初の研究の1つである。
論文 参考訳（メタデータ） (2025-07-22T21:27:34Z) - LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。
本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。
特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
論文 参考訳（メタデータ） (2023-11-17T03:33:09Z) - SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。
心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。
自動冠状動脈疾患診断では異常な成績を示した。
論文 参考訳（メタデータ） (2023-11-17T02:01:19Z) - Partial Vessels Annotation-based Coronary Artery Segmentation with
Self-training and Prototype Learning [17.897934341782843]
冠動脈セグメンテーションの課題と臨床診断的特徴に基づく部分血管アノテーション(PVA)を提案する。
提案手法は,未ラベル領域に知識を伝達するための容器の局所的特徴を学習し,伝播過程に導入された誤りを補正する。
PVA(24.29%の船体)における競合手法よりも優れていることが臨床データから明らかとなった。
論文 参考訳（メタデータ） (2023-07-10T10:42:48Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T06:54:29Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳（メタデータ） (2021-07-07T13:56:38Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z) - Residual Knowledge Distillation [96.18815134719975]
本研究は,アシスタント(A)を導入し,さらに知識を蒸留する残留知識蒸留(RKD)を提案する。
このように、S は T の特徴写像を模倣するように訓練され、A はそれらの間の残差を学習することでこの過程を支援する。
提案手法は,CIFAR-100 と ImageNet という,一般的な分類データセットにおいて魅力的な結果が得られることを示す。
論文 参考訳（メタデータ） (2020-02-21T07:49:26Z)
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。