Fugu-MT 論文翻訳(概要): Bidirectional Channel-selective Semantic Interaction for Semi-Supervised Medical Segmentation

論文の概要: Bidirectional Channel-selective Semantic Interaction for Semi-Supervised Medical Segmentation

arxiv url: http://arxiv.org/abs/2601.05855v1
Date: Fri, 09 Jan 2026 15:32:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-12 17:41:50.007916
Title: Bidirectional Channel-selective Semantic Interaction for Semi-Supervised Medical Segmentation
Title（参考訳）: 半監督型医用セグメンテーションのための双方向チャネル選択的セマンティックインタラクション
Authors: Kaiwen Huang, Yizhe Zhang, Yi Zhou, Tianyang Xu, Tao Zhou,
Abstract要約: 半教師型医用画像分割のための双方向チャネル選択セマンティックインタラクション(BCSI)フレームワークを提案する。まず,SSP(Semantic-Spatial Perturbation)機構を提案する。次に,ラベル付きデータとラベルなしデータとの相互作用におけるノイズを低減するために,チャネル選択型ルータ(CR)コンポーネントを提案する。
参考スコア（独自算出の注目度）: 34.14846876792812
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised medical image segmentation is an effective method for addressing scenarios with limited labeled data. Existing methods mainly rely on frameworks such as mean teacher and dual-stream consistency learning. These approaches often face issues like error accumulation and model structural complexity, while also neglecting the interaction between labeled and unlabeled data streams. To overcome these challenges, we propose a Bidirectional Channel-selective Semantic Interaction~(BCSI) framework for semi-supervised medical image segmentation. First, we propose a Semantic-Spatial Perturbation~(SSP) mechanism, which disturbs the data using two strong augmentation operations and leverages unsupervised learning with pseudo-labels from weak augmentations. Additionally, we employ consistency on the predictions from the two strong augmentations to further improve model stability and robustness. Second, to reduce noise during the interaction between labeled and unlabeled data, we propose a Channel-selective Router~(CR) component, which dynamically selects the most relevant channels for information exchange. This mechanism ensures that only highly relevant features are activated, minimizing unnecessary interference. Finally, the Bidirectional Channel-wise Interaction~(BCI) strategy is employed to supplement additional semantic information and enhance the representation of important channels. Experimental results on multiple benchmarking 3D medical datasets demonstrate that the proposed method outperforms existing semi-supervised approaches.
Abstract（参考訳）: 半教師付き医療画像セグメンテーションは,限られたラベル付きデータを用いてシナリオに対処する有効な方法である。既存の手法は主に平均教師や二流一貫性学習といったフレームワークに依存している。これらのアプローチは、しばしばエラーの蓄積やモデル構造上の複雑さといった問題に直面し、ラベル付きデータストリームとラベルなしデータストリームの相互作用を無視する。これらの課題を克服するために,半教師付き医用画像分割のための双方向チャネル選択セマンティックインタラクション(BCSI)フレームワークを提案する。まず,2つの強い拡張操作を用いてデータを妨害し,弱い拡張操作から擬似ラベルを用いた教師なし学習を活用するセマンティック・空間摂動機構を提案する。さらに、モデルの安定性とロバスト性をさらに向上するために、この2つの強力な拡張による予測に一貫性を用いる。第2に、ラベル付きデータとラベルなしデータとの相互作用におけるノイズを低減するために、情報交換において最も関連性の高いチャネルを動的に選択するチャネル選択ルータ~(CR)コンポーネントを提案する。このメカニズムは、不要な干渉を最小限に抑え、非常に関連性の高い特徴のみが活性化されることを保証する。最後に、双方向チャネルワイドインタラクション~(BCI)戦略を用いて、追加のセマンティック情報を補完し、重要なチャネルの表現を強化する。複数の3次元医用データセットのベンチマーク実験の結果,提案手法が既存の半教師ありアプローチより優れていることが示された。

関連論文リスト

Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
医用画像セグメンテーションのための新しい半教師付きマルチモーダルフレームワークを提案する。モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
論文参考訳（メタデータ） (2025-12-10T16:15:17Z)
Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
論文参考訳（メタデータ） (2025-09-16T13:40:20Z)
Style-Aware Blending and Prototype-Based Cross-Contrast Consistency for Semi-Supervised Medical Image Segmentation [5.430389901321259]
スタイル認識型ブレンディングとプロトタイプベースのクロスコントラスト一貫性学習フレームワークを提案する。ラベル付きデータとラベルなしデータの分散ミスマッチが統計的モーメントによって特徴付けられるという経験的観察から着想を得て,我々はスタイル誘導型分散混合モジュールを設計した。強い擬似ラベルの潜在的なノイズを考慮すると,プロトタイプベースのクロスコントラスト戦略を導入し,情報監督信号の学習を促す。
論文参考訳（メタデータ） (2025-07-28T11:26:24Z)
SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。 SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文参考訳（メタデータ） (2024-10-17T12:31:37Z)
Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文参考訳（メタデータ） (2023-08-07T14:16:52Z)
Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文参考訳（メタデータ） (2023-05-25T16:23:39Z)
Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
教師なし学習可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
論文参考訳（メタデータ） (2023-05-22T04:40:30Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。