論文の概要: U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT

• arxiv url: http://arxiv.org/abs/2509.20154v1
• Date: Wed, 24 Sep 2025 14:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.845863
• Title: U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT
• Title（参考訳）: CBCTにおける半監督歯のU-Mamba2-SSL
• Authors: Zhi Qin Tan, Xiatian Zhu, Owen Addison, Yunpeng Li,
• Abstract要約: U-Mamba2モデルに基づく新しい半教師付き学習フレームワークであるU-Mamba2-SSLを提案する。 U-Mamba2-SSLは平均スコア0.872とDSC0.969を検証データセットで達成した。
• 参考スコア（独自算出の注目度）: 44.3806898357896
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate segmentation of teeth and pulp in Cone-Beam Computed Tomography (CBCT) is vital for clinical applications like treatment planning and diagnosis. However, this process requires extensive expertise and is exceptionally time-consuming, highlighting the critical need for automated algorithms that can effectively utilize unlabeled data. In this paper, we propose U-Mamba2-SSL, a novel semi-supervised learning framework that builds on the U-Mamba2 model and employs a multi-stage training strategy. The framework first pre-trains U-Mamba2 in a self-supervised manner using a disruptive autoencoder. It then leverages unlabeled data through consistency regularization, where we introduce input and feature perturbations to ensure stable model outputs. Finally, a pseudo-labeling strategy is implemented with a reduced loss weighting to minimize the impact of potential errors. U-Mamba2-SSL achieved an average score of 0.872 and a DSC of 0.969 on the validation dataset, demonstrating the superior performance of our approach. The code is available at https://github.com/zhiqin1998/UMamba2.
• Abstract（参考訳）: Cone-Beam Computed Tomography (CBCT) における歯髄の正確なセグメンテーションは, 治療計画や診断などの臨床応用に不可欠である。 しかし、このプロセスには広範囲の専門知識が必要で、非常に時間がかかり、ラベルのないデータを効果的に活用できる自動化アルゴリズムのクリティカルな必要性を強調している。 本稿では,U-Mamba2モデル上に構築され,多段階学習戦略を用いる,新しい半教師付き学習フレームワークであるU-Mamba2-SSLを提案する。 このフレームワークはまず、破壊的なオートエンコーダを使用して、U-Mamba2を自己管理的に事前訓練する。 そして、一貫性の規則化を通じてラベルのないデータを活用し、安定したモデル出力を保証するために入力と特徴の摂動を導入します。 最後に、潜在的なエラーの影響を最小限に抑えるために、損失重み付けを低減した擬似ラベル戦略を実装した。 U-Mamba2-SSL は平均 0.872 と DSC 0.969 を達成した。 コードはhttps://github.com/zhiqin1998/UMamba2.comで入手できる。

関連論文リスト

• ConMamba: Contrastive Vision Mamba for Plant Disease Detection [3.60543005189868]
  植物病検出(PDD)は精密農業の重要な側面である。 既存のディープラーニング手法は、広範に注釈付けされたデータセットに依存していることが多い。 PDD用に特別に設計された新しいフレームワークであるConMambaを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:01:38Z)
• STAL: Spike Threshold Adaptive Learning Encoder for Classification of Pain-Related Biosignal Data [2.0738462952016232]
  本稿では,EmoPainデータセットを用いた慢性腰痛 (CLBP) 分類のためのスパイキングニューラルネットワーク (SNN) の最初の応用について述べる。 本稿では,連続生体信号をスパイク列車に変換する訓練可能なエンコーダであるSpike Threshold Adaptive Learning (STAL)を紹介する。 また,SEMG と IMU データのマルチストリーム処理のためのスパイキングリカレントニューラルネットワーク (SRNN) 分類器のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2024-07-11T10:15:52Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• CroSSL: Cross-modal Self-Supervised Learning for Time-series through Latent Masking [11.616031590118014]
  CroSSLは、欠落したモダリティとエンドツーエンドのクロスモーダル学習を扱うことができる。 動作センサを含む幅広いデータを用いて本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-07-31T17:10:10Z)
• Uncertainty-Aware Semi-Supervised Learning for Prostate MRI Zonal Segmentation [0.9176056742068814]
  比較的少数のアノテーションしか必要としない新しい半教師付き学習(SSL)手法を提案する。 提案手法は,近年の深層学習の不確実性推定モデルを用いた擬似ラベル手法を用いる。 提案モデルは,ProstateXデータセットと外部テストセットを用いた実験において,半教師付きモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-10T08:50:04Z)
• ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
  ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。 最先端のデータセットよりも大幅に向上し、より高速に収束する。
  論文  参考訳（メタデータ） (2023-03-22T23:51:54Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

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。