論文の概要: MICCAI STS 2024 Challenge: Semi-Supervised Instance-Level Tooth Segmentation in Panoramic X-ray and CBCT Images

• arxiv url: http://arxiv.org/abs/2511.22911v1
• Date: Fri, 28 Nov 2025 06:33:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.78904
• Title: MICCAI STS 2024 Challenge: Semi-Supervised Instance-Level Tooth Segmentation in Panoramic X-ray and CBCT Images
• Title（参考訳）: MICCAI STS 2024 チャレンジ:パノラマX線およびCBCT画像における半スーパービジョン歯列分割
• Authors: Yaqi Wang, Zhi Li, Chengyu Wu, Jun Liu, Yifan Zhang, Jiaxue Ni, Qian Luo, Jialuo Chen, Hongyuan Zhang, Jin Liu, Can Han, Kaiwen Fu, Changkai Ji, Xinxu Cai, Jing Hao, Zhihao Zheng, Shi Xu, Junqiang Chen, Qianni Zhang, Dahong Qian, Shuai Wang, Huiyu Zhou,
• Abstract要約: 本研究は,半教師付き学習(SSL)のベンチマークと進歩を目的とした。 第2回半監督歯(STS 2024)チャレンジをMII 2024で開催した。 我々は, 2,380 OPG画像と330 CBCTスキャンを含む90,000以上の2次元画像と3次元軸スライスからなる大規模データセットを作成した。 勝利したセミ教師付きモデルでは、ラベル付きデータのみに基づいてトレーニングされた完全な教師付きnnU-Netベースラインよりも優れたパフォーマンス向上を示した。
• 参考スコア（独自算出の注目度）: 33.12982357985314
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Orthopantomogram (OPGs) and Cone-Beam Computed Tomography (CBCT) are vital for dentistry, but creating large datasets for automated tooth segmentation is hindered by the labor-intensive process of manual instance-level annotation. This research aimed to benchmark and advance semi-supervised learning (SSL) as a solution for this data scarcity problem. We organized the 2nd Semi-supervised Teeth Segmentation (STS 2024) Challenge at MICCAI 2024. We provided a large-scale dataset comprising over 90,000 2D images and 3D axial slices, which includes 2,380 OPG images and 330 CBCT scans, all featuring detailed instance-level FDI annotations on part of the data. The challenge attracted 114 (OPG) and 106 (CBCT) registered teams. To ensure algorithmic excellence and full transparency, we rigorously evaluated the valid, open-source submissions from the top 10 (OPG) and top 5 (CBCT) teams, respectively. All successful submissions were deep learning-based SSL methods. The winning semi-supervised models demonstrated impressive performance gains over a fully-supervised nnU-Net baseline trained only on the labeled data. For the 2D OPG track, the top method improved the Instance Affinity (IA) score by over 44 percentage points. For the 3D CBCT track, the winning approach boosted the Instance Dice score by 61 percentage points. This challenge confirms the substantial benefit of SSL for complex, instance-level medical image segmentation tasks where labeled data is scarce. The most effective approaches consistently leveraged hybrid semi-supervised frameworks that combined knowledge from foundational models like SAM with multi-stage, coarse-to-fine refinement pipelines. Both the challenge dataset and the participants' submitted code have been made publicly available on GitHub (https://github.com/ricoleehduu/STS-Challenge-2024), ensuring transparency and reproducibility.
• Abstract（参考訳）: Orthopantomogram (OPGs) とCone-Beam Computed Tomography (CBCT) は歯科医療において不可欠であるが, 自動歯列分割のための大規模なデータセットの作成は, 手動のインスタンスレベルのアノテーションによる労働集約的なプロセスによって妨げられる。 本研究の目的は、このデータ不足問題に対する解決策として、半教師付き学習(SSL)をベンチマークし、前進させることである。 私たちはMICCAI 2024で第2回半監督歯分節(STS 2024)チャレンジを組織した。 我々は,9,000枚以上の2D画像と3D軸スライスからなる大規模データセットを,2,380枚のOPG画像と330枚のCBCTスキャンを含む形で提供し,データの一部に詳細なインスタンスレベルのFDIアノテーションを特徴付ける。 このチャレンジには114チーム(OPG)と106チーム(CBCT)が参加した。 アルゴリズムの卓越性と完全な透明性を確保するため、私たちは、それぞれトップ10(OPG)とトップ5(CBCT)チームからの有効なオープンソース提出を厳格に評価しました。 成功した応募はすべてディープラーニングベースのSSLメソッドだった。 勝利したセミ教師付きモデルでは、ラベル付きデータのみに基づいてトレーニングされた完全な教師付きnnU-Netベースラインよりも優れたパフォーマンス向上を示した。 2D OPGトラックでは, 上位手法により, インスタンス親和性(IA)スコアが44ポイント以上向上した。 3D CBCTトラックでは、勝利のアプローチによってインスタンスダイスのスコアが61ポイント向上した。 この課題は、ラベル付きデータが不足している複雑なインスタンスレベルの医療画像セグメンテーションタスクに対するSSLの実質的なメリットを確認するものだ。 最も効果的なアプローチは、SAMのような基礎モデルの知識を多段階の粗い精細化パイプラインと組み合わせた、ハイブリッドな半教師付きフレームワークを一貫して活用した。 チャレンジデータセットと参加者が提出したコードはGitHubで公開されている(https://github.com/ricoleehduu/STS-Challenge-2024)。

関連論文リスト

• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Label-efficient multi-organ segmentation with a diffusion model [10.470918676663405]
  我々は,CT多臓器分割のための事前学習拡散モデルから知識伝達を用いたラベル効率の高いフレームワークを提案する。 ファインチューニングでは、線形分類と微調整デコーダという2つの微調整戦略を用いてセグメンテーション性能を向上させる。 マルチオーガナイズのための最先端手法と比較して,本手法はFLARE 2022データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation [4.952008176585512]
  FLARE23チャレンジは、部分的データと完全注釈付きデータの両方を備えた大規模なデータセットを提供する。 我々は、FLARE23に対処するために、Semi-Supervised Learning(SSL)と反復的な擬似ラベリングの戦略を用いることを提案する。 本手法では, 臓器の平均DSCスコアは89.63%, 腫瘍は46.07%である。
  論文  参考訳（メタデータ） (2023-10-02T12:45:13Z)
• The Second-place Solution for CVPR VISION 23 Challenge Track 1 -- Data Effificient Defect Detection [3.4853769431047907]
  データ有効欠陥検出のためのビジョンチャレンジトラック1は、競合相手がデータ不足の環境で14の産業検査データセットを例示する必要がある。 この課題に対して、Aoi-overfiting-Teamチームの技術詳細を紹介します。
  論文  参考訳（メタデータ） (2023-06-25T03:37:02Z)
• The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation via Point-Guided Mask Representation [61.027468209465354]
  本稿では,ポイントラベル付き弱半教師付きインスタンスセグメンテーション(WSSIS)という新しい学習手法を提案する。 本稿では、予算に優しいポイントラベルを強力な弱監督源として効果的に活用できるWSSISの手法を提案する。 我々はCOCOとBDD100Kデータセットの広範な実験を行い、提案手法は完全な教師付きモデルのデータセットに匹敵する有望な結果を得る。
  論文  参考訳（メタデータ） (2023-03-27T10:11:22Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
  本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。 ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-06T15:02:11Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。