論文の概要: ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompt-Guided Pseudo-Labeling

• arxiv url: http://arxiv.org/abs/2511.15057v1
• Date: Wed, 19 Nov 2025 03:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.602992
• Title: ProPL: Universal Semi-Supervised Ultrasound Image Segmentation via Prompt-Guided Pseudo-Labeling
• Title（参考訳）: ProPL:prompt-Guided Pseudo-Labelingによる半超音速画像分割
• Authors: Yaxiong Chen, Qicong Wang, Chunlei Li, Jingliang Hu, Yilei Shi, Shengwu Xiong, Xiao Xiang Zhu, Lichao Mou,
• Abstract要約: ラベル付きデータとラベルなしデータの両方を活用することで,複数の臓器やセグメンテーションタスクを処理できるフレームワークであるProPLを提案する。 ProPLのコアとなるのは、共有ビジョンエンコーダとプロンプト誘導デュアルデコーダを組み合わせて、フレキシブルなタスク適応を可能にすることだ。 大規模な実験により、ProPLは様々なメトリクスで最先端のメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 33.483622052319824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing approaches for the problem of ultrasound image segmentation, whether supervised or semi-supervised, are typically specialized for specific anatomical structures or tasks, limiting their practical utility in clinical settings. In this paper, we pioneer the task of universal semi-supervised ultrasound image segmentation and propose ProPL, a framework that can handle multiple organs and segmentation tasks while leveraging both labeled and unlabeled data. At its core, ProPL employs a shared vision encoder coupled with prompt-guided dual decoders, enabling flexible task adaptation through a prompting-upon-decoding mechanism and reliable self-training via an uncertainty-driven pseudo-label calibration (UPLC) module. To facilitate research in this direction, we introduce a comprehensive ultrasound dataset spanning 5 organs and 8 segmentation tasks. Extensive experiments demonstrate that ProPL outperforms state-of-the-art methods across various metrics, establishing a new benchmark for universal ultrasound image segmentation.
• Abstract（参考訳）: 超音波画像セグメンテーションの課題に対する既存のアプローチは、主に特定の解剖学的構造やタスクに特化しており、臨床現場での実用性を制限している。 本稿では,広帯域半教師付き超音波画像セグメント化の課題を開拓し,ラベル付きデータとラベルなしデータの両方を活用することで,複数の臓器やセグメント化タスクを処理可能なフレームワークであるProPLを提案する。 ProPLのコアとなるのは、プロンプト誘導デュアルデコーダを組み合わせた共有ビジョンエンコーダで、プロンプトアップオンデコード機構による柔軟なタスク適応と、不確実性駆動型擬似ラベルキャリブレーション(UPLC)モジュールによる信頼性の高い自己学習を可能にする。 この方向の研究を容易にするために,5つの臓器と8つのセグメンテーションタスクにまたがる包括的超音波データセットを提案する。 広汎な実験により、ProPLは様々な指標で最先端の手法よりも優れており、普遍的な超音波画像分割のための新しいベンチマークが確立されている。

関連論文リスト

• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• DescriptorMedSAM: Language-Image Fusion with Multi-Aspect Text Guidance for Medical Image Segmentation [10.598528392988062]
  本稿では,MedSAMの軽量拡張であるDescriptorMedSAMを提案する。 DescriptorMedSAMはCLIPテキストエンコーダを使用して、放射線学スタイルのディスクリプタを密度の高い埋め込みに変換する。 我々は、構造化言語プロンプトが空間的相互作用を効果的に置き換え、強力なゼロショット性能と高速な少数ショット適応を実現することを実証した。
  論文  参考訳（メタデータ） (2025-03-18T01:35:34Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Scribble-Supervised Medical Image Segmentation via Dual-Branch Network and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
  単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。 このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
  論文  参考訳（メタデータ） (2022-03-04T02:50:30Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Unsupervised multi-latent space reinforcement learning framework for video summarization in ultrasound imaging [0.0]
  新型コロナウイルス(COVID-19)のパンデミックは、超音波スキャンのトリアージを高速化するツールの必要性を強調している。 提案手法は,この方向への一歩である。 そこで我々は,新しい報酬を伴う教師なし強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:50:35Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation [56.86396352441269]
  我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。 前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。 対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
  論文  参考訳（メタデータ） (2020-05-21T02:53:52Z)
• Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks [0.36944296923226316]
  深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。 我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
  論文  参考訳（メタデータ） (2020-01-26T21:28:04Z)

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。