論文の概要: DExTeR: Weakly Semi-Supervised Object Detection with Class and Instance Experts for Medical Imaging

• arxiv url: http://arxiv.org/abs/2601.13954v1
• Date: Tue, 20 Jan 2026 13:27:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.327335
• Title: DExTeR: Weakly Semi-Supervised Object Detection with Class and Instance Experts for Medical Imaging
• Title（参考訳）: DExTeR: 画像診断のためのクラスとインスタンスのエキスパートによる半監督対象検出
• Authors: Adrien Meyer, Didier Mutter, Nicolas Padoy,
• Abstract要約: 本稿では,DexTeR (DETR with Experts) について紹介する。 オブジェクトクエリとして単一ポイントアノテーションをエンコードし、提案されたクラス誘導の変形可能な注意で特徴抽出を洗練する。 異なる医療領域にまたがる3つのデータセットにわたる最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 7.5912342399227235
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Detecting anatomical landmarks in medical imaging is essential for diagnosis and intervention guidance. However, object detection models rely on costly bounding box annotations, limiting scalability. Weakly Semi-Supervised Object Detection (WSSOD) with point annotations proposes annotating each instance with a single point, minimizing annotation time while preserving localization signals. A Point-to-Box teacher model, trained on a small box-labeled subset, converts these point annotations into pseudo-box labels to train a student detector. Yet, medical imagery presents unique challenges, including overlapping anatomy, variable object sizes, and elusive structures, which hinder accurate bounding box inference. To overcome these challenges, we introduce DExTeR (DETR with Experts), a transformer-based Point-to-Box regressor tailored for medical imaging. Built upon Point-DETR, DExTeR encodes single-point annotations as object queries, refining feature extraction with the proposed class-guided deformable attention, which guides attention sampling using point coordinates and class labels to capture class-specific characteristics. To improve discrimination in complex structures, it introduces CLICK-MoE (CLass, Instance, and Common Knowledge Mixture of Experts), decoupling class and instance representations to reduce confusion among adjacent or overlapping instances. Finally, we implement a multi-point training strategy which promotes prediction consistency across different point placements, improving robustness to annotation variability. DExTeR achieves state-of-the-art performance across three datasets spanning different medical domains (endoscopy, chest X-rays, and endoscopic ultrasound) highlighting its potential to reduce annotation costs while maintaining high detection accuracy.
• Abstract（参考訳）: 医用画像における解剖学的目印の検出は診断と介入指導に不可欠である。 しかし、オブジェクト検出モデルは、スケーラビリティを制限し、コストのかかるバウンディングボックスアノテーションに依存します。 ポイントアノテーションを持つ弱いセミスーパービジョンオブジェクト検出(WSSOD)は、各インスタンスに単一ポイントでアノテーションを付与し、ローカライゼーション信号を保持しながらアノテーション時間を最小化する。 ポイント・ツー・ボックスの教師モデルは、小さなボックスラベルのサブセットで訓練され、これらのポイントアノテーションを擬似ボックスラベルに変換して学生検出器を訓練する。 しかし、医用画像は、重なり合う解剖学、可変物体の大きさ、そして正確な境界ボックス推論を妨げる解像構造など、ユニークな課題を呈している。 これらの課題を克服するために,医療画像に適したトランスフォーマーベースのPoint-to-BoxレジストレータであるDexTeR(DETR with Experts)を紹介した。 Point-DETR上に構築されたDexTeRは、単一ポイントアノテーションをオブジェクトクエリとしてエンコードし、提案したクラス誘導型変形性アテンションで特徴抽出を精細化し、ポイント座標とクラスラベルを使用して注目サンプリングを行い、クラス固有の特徴をキャプチャする。 複雑な構造の識別を改善するために、CLICK-MoE(CLass, Instance, Common Knowledge Mixture of Experts)、クラスとインスタンス表現の分離を導入し、隣り合うインスタンスや重複するインスタンス間の混乱を減らす。 最後に、異なる点配置間の予測整合性を促進し、アノテーションの可変性に対するロバスト性を向上させるマルチポイントトレーニング戦略を実装した。 DExTeRは、異なる医療領域(内視鏡、胸部X線、内視鏡超音波)にまたがる3つのデータセットで最先端のパフォーマンスを実現し、高い検出精度を維持しながら、アノテーションのコストを削減できる可能性を強調している。

関連論文リスト

• Tiny Object Detection with Single Point Supervision [48.88814240556747]
  本稿では,航空画像におけるロバストな微小物体検出のためのポイント・インスツルメンテーション法を提案する。 点アノテーションにおけるスケールの曖昧さと位置変化からラベルノイズを扱うために、ポイント・インストラクターは教師-学生アーキテクチャを採用している。 この枠組みでは、画像領域のランダムマスキングにより回帰学習が促進され、教師はノイズの多い点アノテーションを粗い擬似ボックスに変換することができる。 第2段階では、これらの粗い擬似ボックスは動的多重インスタンス学習を用いて洗練され、最も信頼できるインスタンスを適応的に選択する。
  論文  参考訳（メタデータ） (2024-12-08T07:13:17Z)
• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
  競争性能に優れたアノテーション効率のアプローチを開発する。 弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:50:37Z)
• A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays [42.1336336144291]
  本稿では,弱い半教師付き戦略であるPoint Beyond Classを用いて,CXR異常局所化フレームワークを訓練することを提案する。 PBCの背後にある中核的な考え方は、ポイントアノテーションからバウンディングボックスへの堅牢で正確なマッピングを学ぶことです。 RSNAとVinDr-CXRデータセットの実験結果は,提案手法の有効性を正当化するものである。
  論文  参考訳（メタデータ） (2022-09-05T14:36:07Z)
• Point-Teaching: Weakly Semi-Supervised Object Detection with Point Annotations [81.02347863372364]
  本稿では,弱い半教師付きオブジェクト検出フレームワークであるPoint-Teachingを提案する。 具体的には,ポイントアノテート画像の擬似ラベルを生成するためのハンガリーの点マッチング手法を提案する。 そこで本研究では,不整合点の影響を低減するため,単純なyet- effective data augmentation(ポイント誘導コピーペースト)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T07:04:38Z)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)
• Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
  本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。 提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
  論文  参考訳（メタデータ） (2020-02-11T20:49:34Z)

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。