Fugu-MT 論文翻訳(概要): BARL: Bilateral Alignment in Representation and Label Spaces for Semi-Supervised Volumetric Medical Image Segmentation

論文の概要: BARL: Bilateral Alignment in Representation and Label Spaces for Semi-Supervised Volumetric Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2510.16863v1
Date: Sun, 19 Oct 2025 14:50:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:39.184047
Title: BARL: Bilateral Alignment in Representation and Label Spaces for Semi-Supervised Volumetric Medical Image Segmentation
Title（参考訳）: BARL : 半減期医療画像分割のための表現空間とラベル空間の両面アライメント
Authors: Shujian Gao, Yuan Wang, Zekuan Yu,
Abstract要約: 両空間のアライメントを強制する統合フレームワークであるtextbfBilateral Alignment in Representation and Label space (BARL) を導入する。ラベル空間のアライメントのために,textbfDual-Path Regularization (DPR) と textbfProgressively Cognitive Bias (PCBC) を考案した。表現空間のアライメントでは枝の領域レベルと病変のマッチングを行い,医用画像に共通する断片化された複雑な病理パターンを明示的に捉えた。
参考スコア（独自算出の注目度）: 6.849563159239627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Semi-supervised medical image segmentation (SSMIS) seeks to match fully supervised performance while sharply reducing annotation cost. Mainstream SSMIS methods rely on \emph{label-space consistency}, yet they overlook the equally critical \emph{representation-space alignment}. Without harmonizing latent features, models struggle to learn representations that are both discriminative and spatially coherent. To this end, we introduce \textbf{Bilateral Alignment in Representation and Label spaces (BARL)}, a unified framework that couples two collaborative branches and enforces alignment in both spaces. For label-space alignment, inspired by co-training and multi-scale decoding, we devise \textbf{Dual-Path Regularization (DPR)} and \textbf{Progressively Cognitive Bias Correction (PCBC)} to impose fine-grained cross-branch consistency while mitigating error accumulation from coarse to fine scales. For representation-space alignment, we conduct region-level and lesion-instance matching between branches, explicitly capturing the fragmented, complex pathological patterns common in medical imagery. Extensive experiments on four public benchmarks and a proprietary CBCT dataset demonstrate that BARL consistently surpasses state-of-the-art SSMIS methods. Ablative studies further validate the contribution of each component. Code will be released soon.
Abstract（参考訳）: 半教師付き医用画像セグメンテーション(SSMIS)は,アノテーションのコストを大幅に削減しつつ,完全に監督されたパフォーマンスに適合することを目指している。メインストリームのSSMIS法は \emph{label-space consistency} に依存するが、等しく批判的な \emph{representation-space alignment} を見落としている。潜在特徴を調和させることなく、モデルは差別的かつ空間的に一貫性のある表現を学ぶのに苦労する。この目的のために,2つの協調枝を結合し,両空間のアライメントを強制する統一フレームワークである,表現空間とラベル空間における「textbf{Bilateral Alignment in Representation and Label space(BARL)」を導入する。ラベル空間のアライメントは,コトレーニングやマルチスケールのデコーディングにインスパイアされた上で,粗大から粗大への誤差蓄積を軽減しつつ,きめ細かなクロスブランチの整合性を付与するために, {Dual-Path Regularization (DPR) と \textbf{Progressively Cognitive Bias Correction (PCBC) を考案した。表現空間のアライメントでは枝の領域レベルと病変のマッチングを行い,医用画像に共通する断片化された複雑な病理パターンを明示的に捉えた。 4つの公開ベンチマークと独自のCBCTデータセットに関する大規模な実験は、BARLが最先端のSSMISメソッドを一貫して上回っていることを示している。 Ablative Studyは、各コンポーネントの貢献をさらに検証する。コードはまもなくリリースされる。

関連論文リスト

Cross-modal Full-mode Fine-grained Alignment for Text-to-Image Person Retrieval [54.90229711181207]
TIPR (Text-to-Image Person Retrieval) は、与えられたテキストクエリに基づいて、最も関連性の高い人物画像を取得することを目的としている。 TIPRの鍵となる課題は、テキストと視覚のモダリティの効果的なアライメントを達成することである。 FMFA, クロスモーダルフルモーデファインファインファインファインアライメントフレームワークを提案する。
論文参考訳（メタデータ） (2025-09-17T07:12:05Z)
XBusNet: Text-Guided Breast Ultrasound Segmentation via Multimodal Vision-Language Learning [0.0]
XBusNetは、画像の特徴と臨床的な接地されたテキストを組み合わせた、新しいデュアルプロンプトでデュアルブランチのマルチモーダルモデルである。 5倍のクロスバリデーションを用いて,乳腺病変USG(BLU)データセット上で評価を行った。小さな病変は最大の増加を示し、欠落した領域は少なく、急激な活性化は少ない。
論文参考訳（メタデータ） (2025-09-08T20:45:55Z)
Harnessing Group-Oriented Consistency Constraints for Semi-Supervised Semantic Segmentation in CdZnTe Semiconductors [71.44213719783703]
ICAF(Intra-group Consistency Augmentation Framework)は、CdZnTe(Cadmium Zinc Telluride)半導体画像にラベルを付けるために開発された。 ICAF は View Augmentation Module (VAM) と View Correction Module (VCM) の2つの重要なモジュールで構成されている。 ICAFは、CdZnTeデータセット上の70.6% mIoUを2つのグループアノテートデータのみを用いて達成する。
論文参考訳（メタデータ） (2025-08-18T09:40:36Z)
Dual Cross-image Semantic Consistency with Self-aware Pseudo Labeling for Semi-supervised Medical Image Segmentation [14.93815368545141]
半教師付き学習は、医学画像セグメンテーションにおける限られたラベル付きトレーニングデータの課題に取り組むのに非常に効果的であることが証明されている。半教師型医用画像分割のための新しいアンダーラインDual underlineimage underlineSemantic underlineConsistency(DuCiSC)学習フレームワークを提案する。
論文参考訳（メタデータ） (2025-07-29T02:26:56Z)
Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective [22.69909762038458]
本稿では, ほとんど管理されていない医用画像セグメンテーション(BSS)の課題について検討する。我々は、新しいBSSフレームワーク、textbfBarely-supervised learning textbfvia unsupervised domain textbfAdaptation (BvA)を提案する。特筆すべきは、左心房セグメンテーションデータセットをわずかにラベル付けされた画像のみを用いてトレーニングし、Diceスコアが81.20%に達し、最先端の61.71%を上回ったことである。
論文参考訳（メタデータ） (2024-05-16T02:46:19Z)
Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文参考訳（メタデータ） (2024-05-15T00:17:48Z)
LEAF: Unveiling Two Sides of the Same Coin in Semi-supervised Facial Expression Recognition [56.22672276092373]
半教師付き学習は、表情認識におけるラベル不足の課題に取り組むための有望なアプローチとして現れてきた。半教師付きFERのための表現関連表現と擬似ラベルを協調する統合フレームワークであるhierarchicaL dEcoupling And Fusing (LEAF)を提案する。
論文参考訳（メタデータ） (2024-04-23T13:43:33Z)
ConR: Contrastive Regularizer for Deep Imbalanced Regression [6.5356646210003015]
ConRは、グローバルおよびローカルなラベル類似性を特徴空間でモデル化する対照的な正規化器である。その結果,ConRは4つの大規模深層不均衡回帰ベンチマークにおける最先端手法の性能を著しく向上させることを示した。
論文参考訳（メタデータ） (2023-09-13T00:30:32Z)

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。