論文の概要: Cross-pyramid consistency regularization for semi-supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2511.08435v1
• Date: Wed, 12 Nov 2025 01:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.814622
• Title: Cross-pyramid consistency regularization for semi-supervised medical image segmentation
• Title（参考訳）: 半監督的医用画像分割のためのクロスピラミド整合正則化
• Authors: Matus Bojko, Maros Kollar, Marek Jakab, Wanda Benesova,
• Abstract要約: 半教師付き学習(SSL)は、限られた注意深くラベル付けされたデータを想定した強力なモデルのトレーニングを可能にする。 半教師付き医用画像セグメンテーションのためのラベルのないデータを活用するためのハイブリッド整合学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.4349640169711269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) enables training of powerful models with the assumption of limited, carefully labelled data and a large amount of unlabeled data to support the learning. In this paper, we propose a hybrid consistency learning approach to effectively exploit unlabeled data for semi-supervised medical image segmentation by leveraging Cross-Pyramid Consistency Regularization (CPCR) between two decoders. First, we design a hybrid Dual Branch Pyramid Network (DBPNet), consisting of an encoder and two decoders that differ slightly, each producing a pyramid of perturbed auxiliary predictions across multiple resolution scales. Second, we present a learning strategy for this network named CPCR that combines existing consistency learning and uncertainty minimization approaches on the main output predictions of decoders with our novel regularization term. More specifically, in this term, we extend the soft-labeling setting to pyramid predictions across decoders to support knowledge distillation in deep hierarchical features. Experimental results show that DBPNet with CPCR outperforms five state-of-the-art self-supervised learning methods and has comparable performance with recent ones on a public benchmark dataset.
• Abstract（参考訳）: 半教師付き学習(SSL)は、限定的で慎重にラベル付けされたデータと、学習を支援するために大量のラベル付けされていないデータを仮定して、強力なモデルのトレーニングを可能にする。 本稿では,2つのデコーダ間でのCPCR(Cross-Pyramid Consistency Regularization)を利用して,半教師付き医用画像セグメンテーションのためのラベル付きデータを効果的に活用するためのハイブリッド一貫性学習手法を提案する。 まず、エンコーダと2つのデコーダからなるハイブリッドDual Branch Pyramid Network(DBPNet)を設計し、それぞれが複数の解像度スケールにわたる摂動補助予測ピラミッドを生成する。 第2に,既存の整合性学習とデコーダの主な出力予測に対する不確実性最小化アプローチを組み合わせたCPCRというネットワークの学習戦略を提案する。 より具体的には、この用語では、ソフトラベル設定をデコーダ全体にわたってピラミッド予測に拡張し、深い階層的特徴の知識蒸留を支援する。 実験の結果,DBPNetとCPCRは最先端の5つの自己教師付き学習手法より優れており,最近のベンチマークデータセットと同等の性能を有することがわかった。

関連論文リスト

• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Semi-Supervised Medical Image Segmentation via Dual Networks [1.904929457002693]
  本稿では,大規模な専門家ラベル付きデータセットへの依存を減らすために,革新的な半教師付き3次元医用画像分割法を提案する。 本稿では,コンテキスト情報を用いた既存手法の制約に対処するデュアルネットワークアーキテクチャを提案する。 臨床磁気共鳴画像実験により,我々のアプローチは最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-23T09:59:26Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation [6.738522094694818]
  SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。 既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。 強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
  論文  参考訳（メタデータ） (2023-10-08T09:13:04Z)
• Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation [16.136085351887814]
  本稿では,LeFeDと呼ばれる新しい半教師付き学習手法を提案する。 LeFeDは、デコーダから得られる特徴レベルの不一致を、フィードバック信号としてエンコーダに供給することで学習する。 LeFeDは、不確実性推定や強い制約など、競争相手に勝っている。
  論文  参考訳（メタデータ） (2023-09-26T10:33:20Z)
• Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation [13.707121013895929]
  本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。 我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。 ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
  論文  参考訳（メタデータ） (2023-08-31T09:13:34Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。