論文の概要: HSMix: Hard and Soft Mixing Data Augmentation for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.17614v1
• Date: Tue, 18 Nov 2025 11:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.294286
• Title: HSMix: Hard and Soft Mixing Data Augmentation for Medical Image Segmentation
• Title（参考訳）: HSMix:医療画像セグメンテーションのためのハードとソフトの混合データ拡張
• Authors: Danyang Sun, Fadi Dornaika, Nagore Barrena,
• Abstract要約: 硬質および軟質混合を含む局所画像編集データ拡張のための新しいアプローチであるHSMixを提案する。 提案手法は,事前の輪郭情報と相性情報の両方をフル活用し,画像中の局所的な意味情報を保存する。 本手法は, モデル非依存であり, 様々な医用画像モダリティに適用可能なプラグアンドプレイソリューションである。
• 参考スコア（独自算出の注目度）: 11.212631557877971
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Due to the high cost of annotation or the rarity of some diseases, medical image segmentation is often limited by data scarcity and the resulting overfitting problem. Self-supervised learning and semi-supervised learning can mitigate the data scarcity challenge to some extent. However, both of these paradigms are complex and require either hand-crafted pretexts or well-defined pseudo-labels. In contrast, data augmentation represents a relatively simple and straightforward approach to addressing data scarcity issues. It has led to significant improvements in image recognition tasks. However, the effectiveness of local image editing augmentation techniques in the context of segmentation has been less explored. We propose HSMix, a novel approach to local image editing data augmentation involving hard and soft mixing for medical semantic segmentation. In our approach, a hard-augmented image is created by combining homogeneous regions (superpixels) from two source images. A soft mixing method further adjusts the brightness of these composed regions with brightness mixing based on locally aggregated pixel-wise saliency coefficients. The ground-truth segmentation masks of the two source images undergo the same mixing operations to generate the associated masks for the augmented images. Our method fully exploits both the prior contour and saliency information, thus preserving local semantic information in the augmented images while enriching the augmentation space with more diversity. Our method is a plug-and-play solution that is model agnostic and applicable to a range of medical imaging modalities. Extensive experimental evidence has demonstrated its effectiveness in a variety of medical segmentation tasks. The source code is available in https://github.com/DanielaPlusPlus/HSMix.
• Abstract（参考訳）: アノテーションの高コストや一部の病気の希少性のため、医療画像のセグメンテーションはデータ不足と結果の過度な問題によって制限されることが多い。 自己教師型学習と半教師型学習は、データの不足をある程度軽減することができる。 しかし、これらのパラダイムはどちらも複雑であり、手書きの述語やよく定義された擬似ラベルを必要とする。 対照的に、データ拡張は、データの不足問題に対処する比較的単純で簡単なアプローチである。 これは画像認識タスクの大幅な改善につながった。 しかし,セグメンテーションの文脈における局所的な画像編集手法の有効性は検討されていない。 医用セグメンテーションのためのハードミキシングとソフトミキシングを含む局所画像編集データ拡張のための新しいアプローチであるHSMixを提案する。 提案手法では,2つの音源画像から同質領域(スーパーピクセル)を合成することにより,高次画像を生成する。 さらに、局所的に集約された画素ワイドサリエンシ係数に基づいて、これらの合成領域の輝度を輝度混合で調整する。 2つのソース画像の接地トラスト分割マスクは同じ混合操作を行い、拡張画像の関連マスクを生成する。 提案手法は,従来の輪郭情報と相性情報の両方をフル活用し,より多様性のある拡張空間を充実させながら,画像中の局所的な意味情報を保存する。 本手法は, モデル非依存であり, 様々な医用画像モダリティに適用可能なプラグアンドプレイソリューションである。 広範囲にわたる実験的証拠は、様々な医学的セグメンテーションタスクにおいてその効果を実証している。 ソースコードはhttps://github.com/DanielaPlusPlus/HSMixで入手できる。

関連論文リスト

• M$^3$HL: Mutual Mask Mix with High-Low Level Feature Consistency for Semi-Supervised Medical Image Segmentation [10.42922059959177]
  上記の課題に対処するため,Multual Mask Mixと呼ばれる高レベル特徴整合性(M$3$HL)を提案する。 本手法は,ACDCおよびLAデータセットを含む広く採用されている医用画像セグメンテーションベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-04T05:42:10Z)
• Inpainting is All You Need: A Diffusion-based Augmentation Method for Semi-supervised Medical Image Segmentation [8.772764547425291]
  AugPaintは、限られたラベル付きデータからイメージラベルペアを生成するフレームワークである。 4つの公開医用画像セグメンテーションデータセットを用いたデータ拡張手法の評価を行った。 すべてのデータセットにおける結果は、AugPaintが最先端のラベル効率の方法論より優れていることを示している。
  論文  参考訳（メタデータ） (2025-06-28T23:44:18Z)
• DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models [18.44432223381586]
  近年、ディープニューラルネットワークの一般化を改善するために、画像混合に基づく拡張技術が数多く導入されている。 これらの手法では、2つ以上のランダムに選択された自然画像が混合され、拡張画像を生成する。 DiffuseMixを提案する。DiffuseMixは、拡散モデルを利用してトレーニング画像を再構成する新しいデータ拡張手法である。
  論文  参考訳（メタデータ） (2024-04-05T05:31:02Z)
• 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)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• 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)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
  本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。 本稿では,より効率的で実装が容易なresizemix法を提案する。
  論文  参考訳（メタデータ） (2020-12-21T03:43:13Z)
• SnapMix: Semantically Proportional Mixing for Augmenting Fine-grained Data [124.95585891086894]
  提案はSemantically Proportional Mixing(SnapMix)と呼ばれる クラスアクティベーションマップ(CAM)を利用して、きめ細かいデータを強化する際にラベルノイズを低減します。 本手法は既存の混合型アプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-12-09T03:37:30Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。