論文の概要: Dual-Scale Volume Priors with Wasserstein-Based Consistency for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.04273v1
• Date: Thu, 04 Sep 2025 14:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.192517
• Title: Dual-Scale Volume Priors with Wasserstein-Based Consistency for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: 半監督的医用画像分割のためのWasserstein-based Consistencyを併用したデュアルスケールボリュームプリミティブ
• Authors: Junying Meng, Gangxuan Zhou, Jun Liu, Weihong Guo,
• Abstract要約: 本研究では,空間正規化手法とボリューム先行処理を統合した半教師付き医用画像分割フレームワークを開発した。 提案手法は,画像スケールとThreshold Dynamics空間正則化に先立って,強い明示ボリュームを統合する。 我々は、ラベル付きデータセットに予測されるボリューム分布がラベル付きデータセットと似ていることを強制する、弱暗黙ボリュームに基づくデータセットスケールのワッサースタイン距離損失関数を設計する。
• 参考スコア（独自算出の注目度）: 5.72264332749116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite signi cant progress in semi-supervised medical image segmentation, most existing segmentation networks overlook e ective methodological guidance for feature extraction and important prior information from datasets. In this paper, we develop a semi-supervised medical image segmentation framework that e ectively integrates spatial regularization methods and volume priors. Speci cally, our approach integrates a strong explicit volume prior at the image scale and Threshold Dynamics spatial regularization, both derived from variational models, into the backbone segmentation network. The target region volumes for each unlabeled image are estimated by a regression network, which e ectively regularizes the backbone segmentation network through an image-scale Wasserstein distance constraint, ensuring that the class ratios in the segmentation results for each unlabeled image match those predicted by the regression network. Additionally, we design a dataset-scale Wasserstein distance loss function based on a weak implicit volume prior, which enforces that the volume distribution predicted for the unlabeled dataset is similar to that of labeled dataset. Experimental results on the 2017 ACDC dataset, PROMISE12 dataset, and thigh muscle MR image dataset show the superiority of the proposed method.
• Abstract（参考訳）: 半教師付き医療画像のセグメンテーションは進歩しないが、既存のセグメンテーションネットワークのほとんどは、特徴抽出のための決定的な方法論的ガイダンスとデータセットからの重要な事前情報を見落としている。 本稿では,空間正規化手法とボリューム先行を選択的に統合した半教師付き医用画像分割フレームワークを開発する。 この手法は,画像スケールに先行する強い明示ボリュームと,変動モデルから派生したThreshold Dynamics空間正規化をバックボーンセグメンテーションネットワークに統合する。 画像スケールのワッサースタイン距離制約によりバックボーンセグメンテーションネットワークを選択的に正規化し、各未ラベル画像のセグメンテーションにおけるクラス比がレグレッションネットワークによって予測されたものと一致することを保証するレグレッションネットワークにより、各未ラベル画像のターゲット領域ボリュームを推定する。 さらに,ラベル付きデータセットで予測されるボリューム分布がラベル付きデータセットと類似していることを示す,弱暗黙ボリュームに基づいて,データセットスケールのワッサースタイン距離損失関数を設計する。 2017 ACDCデータセット, PROMISE12データセット, 大腿筋MR画像データセットの実験結果から, 提案手法の優位性を示した。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Cross-modal tumor segmentation using generative blending augmentation and self training [1.6440045168835438]
  本稿では,新しいデータ拡張手法によって強化された従来の画像合成に基づくクロスモーダルセグメンテーション手法を提案する。 Generative Blending Augmentation (GBA)は、単一のトレーニング画像から代表的生成特徴を学習し、腫瘍の外観を現実的に多様化させる。 提案手法は,MICCAI CrossMoDA 2022 チャレンジの検証および試験段階において,前庭神経ショーノマ(VS)セグメンテーションにおいて第1位となった。
  論文  参考訳（メタデータ） (2023-04-04T11:01:46Z)
• Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation [42.034896915716374]
  本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。 スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。 次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-07T06:34:10Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。