論文の概要: Scribble-Supervised Medical Image Segmentation with Dynamic Teacher Switching and Hierarchical Consistency

• arxiv url: http://arxiv.org/abs/2601.14563v3
• Date: Fri, 23 Jan 2026 18:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.323869
• Title: Scribble-Supervised Medical Image Segmentation with Dynamic Teacher Switching and Hierarchical Consistency
• Title（参考訳）: 動的教師切替と階層的整合性を考慮したスクリブル監督型医用画像分割
• Authors: Thanh-Huy Nguyen, Hoang-Loc Cao, Dat T. Chung, Mai-Anh Vu, Thanh-Minh Nguyen, Minh Le, Phat K. Huynh, Ulas Bagci,
• Abstract要約: 本稿では,弱信号の監督品質を最大化するために,SDT-Netを提案する。 本手法は,最も信頼性の高い教師を適応的に選択する動的教師スイッチング (DTS) モジュールを備える。 この選択された教師は、高信頼の擬似ラベル、Pick Reliable Pixels(PRP)メカニズムによる洗練、マルチレベルの特徴アライメントという2つの相乗的メカニズムを通じて生徒を指導する。
• 参考スコア（独自算出の注目度）: 7.48591408877799
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Scribble-supervised methods have emerged to mitigate the prohibitive annotation burden in medical image segmentation. However, the inherent sparsity of these annotations introduces significant ambiguity, which results in noisy pseudo-label propagation and hinders the learning of robust anatomical boundaries. To address this challenge, we propose SDT-Net, a novel dual-teacher, single-student framework designed to maximize supervision quality from these weak signals. Our method features a Dynamic Teacher Switching (DTS) module to adaptively select the most reliable teacher. This selected teacher then guides the student via two synergistic mechanisms: high-confidence pseudo-labels, refined by a Pick Reliable Pixels (PRP) mechanism, and multi-level feature alignment, enforced by a Hierarchical Consistency (HiCo) module. Extensive experiments on the ACDC and MSCMRseg datasets demonstrate that SDT-Net achieves state-of-the-art performance, producing more accurate and anatomically plausible segmentation.
• Abstract（参考訳）: 医用画像セグメンテーションにおける禁止的アノテーション負担を軽減するために,スクリブル制御法が出現している。 しかし、これらのアノテーションの本質的な疎さは、ノイズの多い擬似ラベルの伝播を引き起こし、堅牢な解剖学的境界の学習を妨げる。 この課題に対処するために、これらの弱い信号から監督品質を最大化するために設計された、新しいデュアル教師・シングルスチューデントフレームワークであるSDT-Netを提案する。 本手法は,最も信頼性の高い教師を適応的に選択する動的教師スイッチング (DTS) モジュールを備える。 この選択された教師は、高信頼の擬似ラベル(Pick Reliable Pixels (PRP)メカニズムによって洗練される)と階層一貫性(HiCo)モジュールによって強制される多レベル特徴アライメント(Multi-level feature alignment)という2つの相乗的メカニズムを通じて生徒を指導する。 ACDCとMSCMRsegデータセットの大規模な実験は、SDT-Netが最先端のパフォーマンスを達成し、より正確で解剖学的に妥当なセグメンテーションを生み出すことを示した。

関連論文リスト

• CoDTS: Enhancing Sparsely Supervised Collaborative Perception with a Dual Teacher-Student Framework [15.538850922083652]
  我々は,CoDTS(Dual Teacher-Student framework)のエンドツーエンド協調認識を提案する。 適応的な補完学習を用いて、高品質な擬似ラベルと高品質な擬似ラベルの両方を生成する。 CoDTSは、品質と量の両方において、擬似ラベルの最適バランスを効果的に保証する。
  論文  参考訳（メタデータ） (2024-12-11T12:34:37Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像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であるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Weakly Supervised Semantic Segmentation via Alternative Self-Dual Teaching [82.71578668091914]
  本稿では,分類とマスク・リファインメント・コンポーネントを統合された深層モデルに組み込む,コンパクトな学習フレームワークを確立する。 本稿では,高品質な知識相互作用を促進するために,新たな自己双対学習(ASDT)機構を提案する。
  論文  参考訳（メタデータ） (2021-12-17T11:56:56Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。