論文の概要: MICCAI STSR 2025 Challenge: Semi-Supervised Teeth and Pulp Segmentation and CBCT-IOS Registration

• arxiv url: http://arxiv.org/abs/2512.02867v1
• Date: Tue, 02 Dec 2025 15:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.946145
• Title: MICCAI STSR 2025 Challenge: Semi-Supervised Teeth and Pulp Segmentation and CBCT-IOS Registration
• Title（参考訳）: MICCAI STSR 2025 Challenge: Semi-Supervised Teth and Pulp Segmentation and CBCT-IOS Registration
• Authors: Yaqi Wang, Zhi Li, Chengyu Wu, Jun Liu, Yifan Zhang, Jialuo Chen, Jiaxue Ni, Qian Luo, Jin Liu, Can Han, Changkai Ji, Zhi Qin Tan, Ajo Babu George, Liangyu Chen, Qianni Zhang, Dahong Qian, Shuai Wang, Huiyu Zhou,
• Abstract要約: Cone-Beam Computed Tomography (CBCT) と Intraoral Scanning (IOS) はデジタル歯科には必須であるが, データ不足により自動解法が制限される。 私たちはMICCAI 2025でSTSR 2025 Challengeを組織し、このドメインで半教師あり学習(SSL)をベンチマークした。 我々は60個のラベル付きおよび640個のラベル付きIOSサンプルと30個のラベル付きCBCTスキャンと250個のラベル付きCBCTスキャンを、様々な解像度と視野で提供した。 このチャレンジはコミュニティの強い参加を呼び、トップチームはオープンソースのディープラーニングベースのSSLソリューションを提出した。
• 参考スコア（独自算出の注目度）: 30.64602516984303
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cone-Beam Computed Tomography (CBCT) and Intraoral Scanning (IOS) are essential for digital dentistry, but annotated data scarcity limits automated solutions for pulp canal segmentation and cross-modal registration. To benchmark semi-supervised learning (SSL) in this domain, we organized the STSR 2025 Challenge at MICCAI 2025, featuring two tasks: (1) semi-supervised segmentation of teeth and pulp canals in CBCT, and (2) semi-supervised rigid registration of CBCT and IOS. We provided 60 labeled and 640 unlabeled IOS samples, plus 30 labeled and 250 unlabeled CBCT scans with varying resolutions and fields of view. The challenge attracted strong community participation, with top teams submitting open-source deep learning-based SSL solutions. For segmentation, leading methods used nnU-Net and Mamba-like State Space Models with pseudo-labeling and consistency regularization, achieving a Dice score of 0.967 and Instance Affinity of 0.738 on the hidden test set. For registration, effective approaches combined PointNetLK with differentiable SVD and geometric augmentation to handle modality gaps; hybrid neural-classical refinement enabled accurate alignment despite limited labels. All data and code are publicly available at https://github.com/ricoleehduu/STS-Challenge-2025 to ensure reproducibility.
• Abstract（参考訳）: Cone-Beam Computed Tomography (CBCT) と Intraoral Scanning (IOS) はデジタル歯科治療に不可欠であるが, 注釈付きデータ不足は, 歯髄管分割とクロスモーダル登録のための自動解法を制限している。 この領域における半教師あり学習(SSL)をベンチマークするために,(1)CBCTにおける歯と歯髄の半教師あり分割,(2)CBCTとIOSの半教師あり剛性登録の2つのタスクを特徴とするSTSR 2025 ChallengeをMICCAI 2025で開催した。 我々は60個のラベル付きおよび640個のラベル付きIOSサンプルと30個のラベル付きCBCTスキャンと250個のラベル付きCBCTスキャンを、様々な解像度と視野で提供した。 このチャレンジはコミュニティの強い参加を呼び、トップチームはオープンソースのディープラーニングベースのSSLソリューションを提出した。 セグメンテーションでは、nU-Net と Mamba-like State Space Models を使って擬似ラベルと整合正則化を行い、Dice スコア0.967 と Instance Affinity 0.738 を隠されたテストセットで達成した。 登録には、PointNetLKと差別化可能なSVDと幾何学的拡張を併用して、モダリティギャップを処理する。 すべてのデータとコードは、再現性を確保するためにhttps://github.com/ricoleehduu/STS-Challenge-2025で公開されている。

関連論文リスト

• MICCAI STS 2024 Challenge: Semi-Supervised Instance-Level Tooth Segmentation in Panoramic X-ray and CBCT Images [33.12982357985314]
  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。
  論文  参考訳（メタデータ） (2025-11-28T06:33:55Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• QMaxViT-Unet+: A Query-Based MaxViT-Unet with Edge Enhancement for Scribble-Supervised Segmentation of Medical Images [0.0]
  医用画像分割のための新しいフレームワークQMaxViT-Unet+を提案する。 このフレームワークはU-Netアーキテクチャ上に構築されており、エンコーダとデコーダはMulti-Axis Vision Transformer (MaxViT)ブロックに置き換えられている。 提案したQMaxViT-Unet+は, 心構造, 大腸ポリープ, 乳癌に焦点を絞った4つの公開データセットで評価した。
  論文  参考訳（メタデータ） (2025-02-14T16:56:24Z)
• Semi-Supervised Semantic Segmentation using Redesigned Self-Training for White Blood Cells [3.957784193707817]
  利用可能なデータセットの不足を効果的に活用するための半教師付き学習フレームワークを提案する。 自己学習(Self-training)とは、ラベル付きデータに基づいてトレーニングされたモデルを使用して、ラベルなしデータの擬似ラベルを生成し、その両方で再トレーニングする手法である。 自己学習パイプラインにFixMatchを組み込むことで、ほとんどのケースでパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2024-01-14T12:22:34Z)
• 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)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
  弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。 この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。 この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
  論文  参考訳（メタデータ） (2021-06-21T03:36:36Z)

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。