論文の概要: SSL-MedSAM2: A Semi-supervised Medical Image Segmentation Framework Powered by Few-shot Learning of SAM2

• arxiv url: http://arxiv.org/abs/2512.11548v1
• Date: Fri, 12 Dec 2025 13:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.783458
• Title: SSL-MedSAM2: A Semi-supervised Medical Image Segmentation Framework Powered by Few-shot Learning of SAM2
• Title（参考訳）: SSL-MedSAM2:SAM2のFew-shot Learningを利用した半教師型医用画像セグメンテーションフレームワーク
• Authors: Zhendi Gong, Xin Chen,
• Abstract要約: 半教師付き学習は、限られたアノテーションによるトレーニングにおいて魅力的な戦略として現れてきた。 擬似ラベル生成のためのトレーニング不要な数ショット学習ブランチTFFS-MedSAM2を含むSSLフレームワークSSL-MedSAM2を提案する。 MICCAI2025チャレンジの結果はSSL-MedSAM2の優れた性能を示している。
• 参考スコア（独自算出の注目度）: 4.5218971269045225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the success of deep learning based models in medical image segmentation, most state-of-the-art (SOTA) methods perform fully-supervised learning, which commonly rely on large scale annotated training datasets. However, medical image annotation is highly time-consuming, hindering its clinical applications. Semi-supervised learning (SSL) has been emerged as an appealing strategy in training with limited annotations, largely reducing the labelling cost. We propose a novel SSL framework SSL-MedSAM2, which contains a training-free few-shot learning branch TFFS-MedSAM2 based on the pretrained large foundation model Segment Anything Model 2 (SAM2) for pseudo label generation, and an iterative fully-supervised learning branch FSL-nnUNet based on nnUNet for pseudo label refinement. The results on MICCAI2025 challenge CARE-LiSeg (Liver Segmentation) demonstrate an outstanding performance of SSL-MedSAM2 among other methods. The average dice scores on the test set in GED4 and T1 MRI are 0.9710 and 0.9648 respectively, and the Hausdorff distances are 20.07 and 21.97 respectively. The code is available via https://github.com/naisops/SSL-MedSAM2/tree/main.
• Abstract（参考訳）: 医学画像セグメンテーションにおけるディープラーニングベースのモデルの成功にもかかわらず、ほとんどの最先端のSOTA(State-of-the-art)メソッドは、大規模な注釈付きトレーニングデータセットに依存する完全に教師付き学習を実行する。 しかし、医用画像アノテーションは非常に時間がかかり、臨床応用を妨げている。 半教師付き学習(SSL)は、限定アノテーションによるトレーニングにおいて魅力的な戦略として登場し、ラベリングコストを大幅に削減している。 提案するSSLフレームワークSSL-MedSAM2は,擬似ラベル生成のための事前訓練済みの大規模基盤モデルセグメンツ・アニーシング・モデル2(SAM2)に基づくトレーニングフリーの少ショット学習ブランチTFFS-MedSAM2と,擬似ラベルリファインメントのためのnnUNetに基づく反復完全教師付き学習ブランチFSL-nnUNetとを含む。 MICCAI2025 チャレンジ CARE-LiSeg (Liver Segmentation) の結果はSSL-MedSAM2 の優れた性能を示している。 GED4とT1MRIにおけるテストセットの平均ダイススコアはそれぞれ0.9710と0.9648であり、ハウスドルフ距離はそれぞれ20.07と21.97である。 コードはhttps://github.com/naisops/SSL-MedSAM2/tree/mainから入手できる。

関連論文リスト

• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• Learnable Prompting SAM-induced Knowledge Distillation for Semi-supervised Medical Image Segmentation [47.789013598970925]
  半教師型医用画像分割のための知識蒸留フレームワークKnowSAMを提案する。 我々のモデルは最先端の半教師付きセグメンテーションアプローチより優れている。
  論文  参考訳（メタデータ） (2024-12-18T11:19:23Z)
• Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。 SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。 半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:43:20Z)
• 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)
• ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation [2.3617131367115705]
  肝腫瘍の分節化は, コンピュータ診断, 手術計画, 予後評価に必須である。 セミ・スーパーバイザード・ラーニング(SSL)はこれらの課題に対処するための一般的なテクニックである。 我々は、SAMをSSL設定に効果的に適応できる新しい半教師付きフレームワーク ASLseg を提案する。
  論文  参考訳（メタデータ） (2023-12-13T08:31:26Z)
• Are foundation models efficient for medical image segmentation? [0.8158530638728501]
  Segment Anything Model (SAM) は、広範囲のオブジェクトをセグメント化できるが、前例のない規模で教師付きトレーニングを必要とする。 我々はSAMの性能(臨床基礎的事実)と資源(ラベル時間,計算量)を、100個の心超音波検査で25個の測定値に対して、モダリティ特異的なラベルなし自己教師学習(SSL)法と比較した。
  論文  参考訳（メタデータ） (2023-11-08T17:33:09Z)
• ConCL: Concept Contrastive Learning for Dense Prediction Pre-training in Pathology Images [47.43840961882509]
  自己教師型学習は、このようなアノテーションの多いタスクにアピールする。 病理画像における高密度予測タスクのためのSSLメソッドのベンチマークを最初に行った。 本研究では,高密度事前学習のためのSSLフレームワークであるコントラスト学習(ConCL)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T08:38:17Z)
• A Strong Baseline for Semi-Supervised Incremental Few-Shot Learning [54.617688468341704]
  少ないショット学習は、限られたトレーニングサンプルを持つ新しいクラスに一般化するモデルを学ぶことを目的としている。 本研究では,(1)信頼できない擬似ラベルによる基本クラスと新クラスのあいまいさを緩和する高度に設計されたメタトレーニングアルゴリズム,(2)ラベルの少ないデータとラベルなしデータを用いて基礎知識を保ちながら,新クラスの識別的特徴を学習するモデル適応機構を提案する。
  論文  参考訳（メタデータ） (2021-10-21T13:25:52Z)
• Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
  3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
  論文  参考訳（メタデータ） (2021-07-30T07:59:45Z)

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。