論文の概要: Entropy-Guided Agreement-Diversity: A Semi-Supervised Active Learning Framework for Fetal Head Segmentation in Ultrasound

• arxiv url: http://arxiv.org/abs/2601.17460v1
• Date: Sat, 24 Jan 2026 13:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.796921
• Title: Entropy-Guided Agreement-Diversity: A Semi-Supervised Active Learning Framework for Fetal Head Segmentation in Ultrasound
• Title（参考訳）: Entropy-Guided Agreement-Diversity: 超音波の胎児頭部分割のための半教師付きアクティブラーニングフレームワーク
• Authors: Fangyijie Wang, Siteng Ma, Guénolé Silvestre, Kathleen M. Curran,
• Abstract要約: 胎児の頭部分節のための2段階アクティブラーニングサンプリングであるEntropy-Guided Agreement-Diversity(EGAD)を提案する。 実験では、SSL-EGADは胎児の頭分割のための2つの公開データセットで平均94.57%と96.32%のDiceスコアを達成している。
• 参考スコア（独自算出の注目度）: 4.594829845106234
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fetal ultrasound (US) data is often limited due to privacy and regulatory restrictions, posing challenges for training deep learning (DL) models. While semi-supervised learning (SSL) is commonly used for fetal US image analysis, existing SSL methods typically rely on random limited selection, which can lead to suboptimal model performance by overfitting to homogeneous labeled data. To address this, we propose a two-stage Active Learning (AL) sampler, Entropy-Guided Agreement-Diversity (EGAD), for fetal head segmentation. Our method first selects the most uncertain samples using predictive entropy, and then refines the final selection using the agreement-diversity score combining cosine similarity and mutual information. Additionally, our SSL framework employs a consistency learning strategy with feature downsampling to further enhance segmentation performance. In experiments, SSL-EGAD achieves an average Dice score of 94.57\% and 96.32\% on two public datasets for fetal head segmentation, using 5\% and 10\% labeled data for training, respectively. Our method outperforms current SSL models and showcases consistent robustness across diverse pregnancy stage data. The code is available on \href{https://github.com/13204942/Semi-supervised-EGAD}{GitHub}.
• Abstract（参考訳）: 胎児超音波(US)データは、プライバシーと規制上の制約のためにしばしば制限され、ディープラーニング(DL)モデルをトレーニングする上での課題となる。 半教師付き学習(SSL)は胎児のUS画像解析に一般的に用いられているが、既存のSSLメソッドはランダムな制限の選択に依存しており、同種ラベル付きデータに過度に適合することで、最適以下のモデル性能につながる可能性がある。 そこで本研究では,胎児の頭部分割のための2段階アクティブラーニング(AL)サンプルであるEntropy-Guided Agreement-Diversity(EGAD)を提案する。 提案手法はまず,予測エントロピーを用いて最も不確実なサンプルを選択し,コサイン類似度と相互情報を組み合わせた合意-多様性スコアを用いて最終選択を洗練する。 さらに、SSLフレームワークでは、セグメンテーション性能をさらに向上するために、機能ダウンサンプリングを備えた一貫性学習戦略を採用しています。 実験では、SSL-EGADは、それぞれ5\%と10\%のラベル付きデータを使用して、胎児の頭分割のための2つの公開データセットの平均Diceスコア94.57\%と96.32\%を達成する。 本手法は現在のSSLモデルより優れており,妊娠期データ間で一貫した堅牢性を示す。 コードは \href{https://github.com/13204942/Semi-supervised-EGAD}{GitHub} で公開されている。

関連論文リスト

• FATE: A Prompt-Tuning-Based Semi-Supervised Learning Framework for Extremely Limited Labeled Data [36.21759320898034]
  ラベル付きデータとラベルなしデータの両方を活用することで、半教師付き学習(SSL)は大きな進歩を遂げた。 我々は,ラベル付きデータに極めて制限のあるシナリオに適した新しいSSLフレームワークであるFirstly Adapt, Then catEgorize (FATE)を提案する。 FATEはラベルのないデータを利用して監視信号の不足を補い、下流のタスクに転送する。
  論文  参考訳（メタデータ） (2025-04-14T02:54:28Z)
• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• On Pretraining Data Diversity for Self-Supervised Learning [57.91495006862553]
  我々は、より多様なデータセットを用いたトレーニングが、固定された計算予算の下での自己教師付き学習(SSL)のパフォーマンスに与える影響について検討する。 以上の結果から,事前学習データの多様性の増大はSSL性能を向上させるが,下流データへの分布距離が最小である場合に限る。
  論文  参考訳（メタデータ） (2024-03-20T17:59:58Z)
• DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
  我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
  論文  参考訳（メタデータ） (2022-03-17T02:38:49Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)

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。