論文の概要: Adaptive Knowledge Transferring with Switching Dual-Student Framework for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.24366v1
• Date: Tue, 28 Oct 2025 12:42:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.113978
• Title: Adaptive Knowledge Transferring with Switching Dual-Student Framework for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: 半監督型医用画像分割のためのスイッチングデュアルスチューデントフレームワークによる適応的知識伝達
• Authors: Thanh-Huy Nguyen, Hoang-Thien Nguyen, Ba-Thinh Lam, Vi Vu, Bach X. Nguyen, Jianhua Xing, Tianyang Wang, Xingjian Li, Min Xu,
• Abstract要約: 教師と学生のフレームワークは、半教師付き医療画像セグメンテーションにおける主要なアプローチとして現れてきた。 本稿では,各イテレーションで最も信頼性の高い学生を戦略的に選別する,新しいDual-Studentアーキテクチャを提案する。 また,教師が学生から有意義な情報を吸収することを動的に保証するために,Los-Aware Exponential moving Averageという戦略を導入する。
• 参考スコア（独自算出の注目度）: 11.625763201387771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Teacher-student frameworks have emerged as a leading approach in semi-supervised medical image segmentation, demonstrating strong performance across various tasks. However, the learning effects are still limited by the strong correlation and unreliable knowledge transfer process between teacher and student networks. To overcome this limitation, we introduce a novel switching Dual-Student architecture that strategically selects the most reliable student at each iteration to enhance dual-student collaboration and prevent error reinforcement. We also introduce a strategy of Loss-Aware Exponential Moving Average to dynamically ensure that the teacher absorbs meaningful information from students, improving the quality of pseudo-labels. Our plug-and-play framework is extensively evaluated on 3D medical image segmentation datasets, where it outperforms state-of-the-art semi-supervised methods, demonstrating its effectiveness in improving segmentation accuracy under limited supervision.
• Abstract（参考訳）: 教師と学生のフレームワークは、様々なタスクにおいて強いパフォーマンスを示す半教師付き医療画像セグメンテーションにおいて、主要なアプローチとして現れてきた。 しかし、学習効果は教師と学生のネットワーク間の強い相関関係と信頼できない知識伝達プロセスによって制限されている。 この制限を克服するために、両学生の協調性を高め、エラーの強化を防止するために、各イテレーションにおいて最も信頼性の高い学生を戦略的に選択する、新しい両学生アーキテクチャを導入する。 また,教師が学生から有意義な情報を吸収することを動的に保証し,擬似ラベルの質を向上させるために,Los-Aware Exponential moving Averageの戦略を導入する。 本手法は3次元医用画像セグメンテーションデータセットで広範に評価され,最先端の半教師付き手法よりも優れ,限られた監督下でのセグメンテーション精度の向上に有効であることを示す。

関連論文リスト

• Decoupled Competitive Framework for Semi-supervised Medical Image Segmentation [2.146676124065199]
  半教師付き医用画像セグメンテーション (SSMIS) は, 医用領域のアノテーションが不十分なサンプルに対して, 有望な解決策である。 平均教師 (MT) やデュアル学生 (DS) アーキテクチャに従うほとんどのアプローチは、賞賛に値する結果を得た。 Decoupled Competitive Framework (DCF)は、EMAの更新に単純な競合メカニズムを利用する。 DCFは、2Dデータセットと3Dデータセットの両方を含む3つの公開アクセスデータセットに対して厳格な検証を行っている。
  論文  参考訳（メタデータ） (2025-05-30T14:56:00Z)
• Rethinking the Mean Teacher Strategy from the Perspective of Self-paced Learning [5.6818939992896365]
  半監督的医用画像分割は手作業によるアノテーションのコスト削減の可能性から注目されている。 本研究では,教師データに対するMT戦略を,時間的ラグ型教師モデルと地上の真理ラベルとの出力合意によって制御されたセルフペースト学習の形式として再解釈する。
  論文  参考訳（メタデータ） (2025-05-16T09:14:06Z)
• Leveraging Labelled Data Knowledge: A Cooperative Rectification Learning Network for Semi-supervised 3D Medical Image Segmentation [27.94353306813293]
  半教師付き3次元医用画像セグメンテーションは,少ないラベル付きデータと多数の非ラベル付きデータを用いて正確なセグメンテーションを実現することを目的としている。 半教師付き学習法の設計における主な課題は、学習に未学習データを効果的に活用することである。 一貫性学習戦略のための高品質な擬似ラベルを作成するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-17T05:29:50Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Competitive Ensembling Teacher-Student Framework for Semi-Supervised Left Atrium MRI Segmentation [8.338801567668233]
  半教師付き学習は、専門家から豊富な注釈を取得する必要性を効果的に軽減するため、医療画像のセグメンテーションが大幅に進歩している。 本稿では,3次元MR画像から左心房分節を半教師する簡易で効率的な競争力のある教員養成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-21T09:23:34Z)
• Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image Segmentation [14.536384387956527]
  医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。 提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。 Diceでは最先端の半教師あり手法を3.0%以上上回っている。
  論文  参考訳（メタデータ） (2023-06-25T16:55:32Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。