論文の概要: nnFilterMatch: A Unified Semi-Supervised Learning Framework with Uncertainty-Aware Pseudo-Label Filtering for Efficient Medical Segmentation

• arxiv url: http://arxiv.org/abs/2509.19746v1
• Date: Wed, 24 Sep 2025 03:55:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.684486
• Title: nnFilterMatch: A Unified Semi-Supervised Learning Framework with Uncertainty-Aware Pseudo-Label Filtering for Efficient Medical Segmentation
• Title（参考訳）: nnFilterMatch: 効果的な医用セグメンテーションのための不確かさを意識した擬似ラベルフィルタリングによる半教師付き学習フレームワーク
• Authors: Yi Yang,
• Abstract要約: SSLとエントロピーに基づく擬似ラベルフィルタリング(FilterMatch)を統合した,新しい,アノテーション効率,自己適応型ディープセグメンテーションフレームワークを提案する。 本手法は,不確実性誘導学習の利点を保ちながら,ループの再学習の必要性を回避する。 本研究は,医療画像セグメンテーションにおけるアノテーション要求を,精度を損なうことなく低減する,スケーラブルでエンドツーエンドな学習戦略を導入する。
• 参考スコア（独自算出の注目度）: 9.08078610087489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) has emerged as a promising paradigm in medical image segmentation, offering competitive performance while substantially reducing the need for extensive manual annotation. When combined with active learning (AL), these strategies further minimize annotation burden by selectively incorporating the most informative samples. However, conventional SSL_AL hybrid approaches often rely on iterative and loop-based retraining cycles after each annotation round, incurring significant computational overhead and limiting scalability in clinical applications. In this study, we present a novel, annotation-efficient, and self-adaptive deep segmentation framework that integrates SSL with entropy-based pseudo-label filtering (FilterMatch), an AL-inspired mechanism, within the single-pass nnU-Net training segmentation framework (nnFilterMatch). By selectively excluding high-confidence pseudo-labels during training, our method circumvents the need for retraining loops while preserving the benefits of uncertainty-guided learning. We validate the proposed framework across multiple clinical segmentation benchmarks and demonstrate that it achieves performance comparable to or exceeding fully supervised models, even with only 5\%--20\% labeled data. This work introduces a scalable, end-to-end learning strategy for reducing annotation demands in medical image segmentation without compromising accuracy. Code is available here: https://github.com/Ordi117/nnFilterMatch.git.
• Abstract（参考訳）: 半教師付き学習(SSL)は医用画像セグメンテーションにおいて有望なパラダイムとして登場し、広範な手動アノテーションの必要性を大幅に減らし、競争性能を提供している。 アクティブラーニング(AL)と組み合わせると、これらの戦略は、最も情報性の高いサンプルを選択的に取り入れることで、アノテーションの負担を最小化する。 しかし、従来のSSL_ALハイブリッドアプローチは、各アノテーションラウンドの後に反復的およびループベースのリトレーニングサイクルに依存し、臨床応用における計算オーバーヘッドとスケーラビリティを著しく制限する。 本研究では、単一パスnnU-Netトレーニングセグメンテーションフレームワーク(nnFilterMatch)において、SSLとエントロピーベースの擬似ラベルフィルタリング(FilterMatch)を統合した、新しい、アノテーション効率が高く、自己適応的なディープセグメンテーションフレームワークを提案する。 トレーニング中に高信頼な擬似ラベルを選択的に排除することにより、不確実性誘導学習の利点を保ちながらループの再訓練の必要性を回避することができる。 提案手法を複数の臨床セグメンテーションベンチマークで検証し, ラベル付きデータのみを用いて, 完全教師付きモデルに匹敵する, あるいは超越した性能を達成できることを実証した。 本研究は,医療画像セグメンテーションにおけるアノテーション要求を,精度を損なうことなく低減する,スケーラブルでエンドツーエンドな学習戦略を導入する。 コードは、https://github.com/Ordi117/nnFilterMatch.git.comで入手できる。

関連論文リスト

• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Zero-Shot Class Unlearning in CLIP with Synthetic Samples [0.0]
  私たちは、画像テキストペアの巨大なデータセットに基づいてトレーニングされたデュアルビジョン言語モデルであるCLIP内でのアンラーニングに重点を置いています。 リプシッツ正則化をCLIPのマルチモーダル文脈に適用する。 我々の忘れる手順は反復的であり、合成された忘れ物セットの精度を追跡し、選択された閾値未満の精度で停止する。
  論文  参考訳（メタデータ） (2024-07-10T09:16:14Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡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） (2024-03-01T03:27:08Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• AttenScribble: Attentive Similarity Learning for Scribble-Supervised Medical Image Segmentation [5.8447004333496855]
  本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。 我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。 この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
  論文  参考訳（メタデータ） (2023-12-11T18:42:18Z)
• Learning with Noisy Labels Using Collaborative Sample Selection and Contrastive Semi-Supervised Learning [76.00798972439004]
  Collaborative Sample Selection (CSS)は、特定されたクリーンセットからノイズの多いサンプルを削除する。 半教師付き学習において、対照的な損失を伴う協調学習機構を導入する。
  論文  参考訳（メタデータ） (2023-10-24T05:37:20Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• ECONet: Efficient Convolutional Online Likelihood Network for Scribble-based Interactive Segmentation [6.016521285275371]
  CT画像における COVID-19 関連肺病変の自動分画には, 大量の注記量が必要である。 我々は,アノテータがスクリブルベースインタラクションを提供する間,オンラインで学習できる効率的な畳み込みニューラルネットワーク(CNN)を提案する。 本研究は,新型コロナウイルス関連肺病変のアノテート,Diceスコアの16%,実行時間3$times$,スクリブルスをベースとしたラベル付きボキセル9000,といった課題において,既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-12T17:21:28Z)
• OpenMatch: Open-set Consistency Regularization for Semi-supervised Learning with Outliers [71.08167292329028]
  我々はOpenMatchと呼ばれる新しいオープンセットセミスーパーバイザードラーニング(OSSL)アプローチを提案する。 OpenMatchは、1-vs-all(OVA)分類器に基づいた新規検出とFixMatchを統合する。 3つのデータセットで最先端のパフォーマンスを実現し、CIFAR10の未ラベルデータで見えないアウトリーチを検出する上で、完全な教師付きモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-05-28T23:57:15Z)

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。