論文の概要: UCAD: Uncertainty-guided Contour-aware Displacement for semi-supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2601.17366v1
• Date: Sat, 24 Jan 2026 08:21:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.635028
• Title: UCAD: Uncertainty-guided Contour-aware Displacement for semi-supervised medical image segmentation
• Title（参考訳）: UCAD:半教師型医用画像分割のための不確実性誘導輪郭認識変位法
• Authors: Chengbo Ding, Fenghe Tang, Shaohua Kevin Zhou,
• Abstract要約: UCADは、半教師付き医用画像セグメンテーションのための不確実性ガイド付きコンター・アウェア・デプレースメントフレームワークである。 我々のフレームワークは、一貫性学習を強化しつつ、輪郭認識のセマンティクスを保存する。 実験により、UCADは最先端の半教師付きセグメンテーション法より一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.9983209881417459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing displacement strategies in semi-supervised segmentation only operate on rectangular regions, ignoring anatomical structures and resulting in boundary distortions and semantic inconsistency. To address these issues, we propose UCAD, an Uncertainty-Guided Contour-Aware Displacement framework for semi-supervised medical image segmentation that preserves contour-aware semantics while enhancing consistency learning. Our UCAD leverages superpixels to generate anatomically coherent regions aligned with anatomy boundaries, and an uncertainty-guided selection mechanism to selectively displace challenging regions for better consistency learning. We further propose a dynamic uncertainty-weighted consistency loss, which adaptively stabilizes training and effectively regularizes the model on unlabeled regions. Extensive experiments demonstrate that UCAD consistently outperforms state-of-the-art semi-supervised segmentation methods, achieving superior segmentation accuracy under limited annotation. The code is available at:https://github.com/dcb937/UCAD.
• Abstract（参考訳）: 半教師付きセグメンテーションにおける既存の変位戦略は、解剖学的構造を無視し、境界歪みと意味的矛盾をもたらす長方形領域のみで動作する。 これらの課題に対処するため, 整合性学習を向上しつつ, 輪郭認識のセマンティクスを保存した半教師付き医用画像セグメンテーションのための, 不確実性ガイド付き輪郭認識置換フレームワークであるUCADを提案する。 我々のUCADは、超画素を活用して解剖学的に整合した領域を生成し、不確実性誘導の選択機構により、より優れた整合性学習のために挑戦領域を選択的に置き換える。 さらに、トレーニングを適応的に安定化し、ラベルのない領域でのモデルを効果的に正規化する動的不確実性重み付き整合損失を提案する。 広範囲な実験により、UCADは最先端の半教師付きセグメンテーション法を一貫して上回り、限られたアノテーションの下でより優れたセグメンテーション精度を達成することが示されている。 コードはhttps://github.com/dcb937/UCAD.comで公開されている。

関連論文リスト

• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
  CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。 本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-03T10:18:06Z)
• CAD: Confidence-Aware Adaptive Displacement for Semi-Supervised Medical Image Segmentation [6.576007706370229]
  半教師付き医療画像セグメンテーションは、最小限の専門家アノテーションを活用することを目的としている。 本稿では,信頼度の高い最大の低信頼領域を高信頼パッチで選択的に識別し,置き換えるフレームワークである自信認識適応変位(CAD)を紹介する。
  論文  参考訳（メタデータ） (2025-02-01T19:23:18Z)
• DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
  本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。 アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。 本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
  論文  参考訳（メタデータ） (2024-03-19T14:51:01Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。