論文の概要: DSTCS: Dual-Student Teacher Framework with Segment Anything Model for Semi-Supervised Pubic Symphysis Fetal Head Segmentation

• arxiv url: http://arxiv.org/abs/2601.19446v1
• Date: Tue, 27 Jan 2026 10:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.283077
• Title: DSTCS: Dual-Student Teacher Framework with Segment Anything Model for Semi-Supervised Pubic Symphysis Fetal Head Segmentation
• Title（参考訳）: DSTCS: 半監督型公的生理学胎児頭分節モデルを用いた2段階学習支援フレームワーク
• Authors: Yalin Luo, Shun Long, Huijin Wang, Jieyun Bai,
• Abstract要約: 我々はCNNとSAMを組み合わせたフレームワークを提案し、Segment Anything Model(SAM)を2つの学生-教師アーキテクチャに統合する。 CNNとSAMブランチの協調学習機構はセグメンテーション精度を大幅に向上させる。 本手法は, 既存の技術よりも優れた堅牢性を示し, 信頼性の高いセグメンテーションツールを提供する。
• 参考スコア（独自算出の注目度）: 3.576367560614242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of the pubic symphysis and fetal head (PSFH) is a critical procedure in intrapartum monitoring and is essential for evaluating labor progression and identifying potential delivery complications. However, achieving accurate segmentation remains a significant challenge due to class imbalance, ambiguous boundaries, and noise interference in ultrasound images, compounded by the scarcity of high-quality annotated data. Current research on PSFH segmentation predominantly relies on CNN and Transformer architectures, leaving the potential of more powerful models underexplored. In this work, we propose a Dual-Student and Teacher framework combining CNN and SAM (DSTCS), which integrates the Segment Anything Model (SAM) into a dual student-teacher architecture. A cooperative learning mechanism between the CNN and SAM branches significantly improves segmentation accuracy. The proposed scheme also incorporates a specialized data augmentation strategy optimized for boundary processing and a novel loss function. Extensive experiments on the MICCAI 2023 and 2024 PSFH segmentation benchmarks demonstrate that our method exhibits superior robustness and significantly outperforms existing techniques, providing a reliable segmentation tool for clinical practice.
• Abstract（参考訳）: PFHの分節は, 分節内モニタリングにおいて重要な手順であり, 作業進行の評価や, 産後合併症の特定に不可欠である。 しかし, 高精度なセグメンテーションを実現することは, 高品質なアノテートデータの不足によって合成された超音波画像のクラス不均衡, 曖昧な境界, ノイズ干渉などにより, 依然として大きな課題である。 PSFHセグメンテーションに関する現在の研究は、主にCNNとTransformerアーキテクチャに依存しており、より強力なモデルの可能性を未発見のまま残している。 本研究では,CNNとSAM(DSTCS)を組み合わせたDual-Student and Teacherフレームワークを提案する。 CNNとSAMブランチの協調学習機構はセグメンテーション精度を大幅に向上させる。 提案手法には,境界処理に最適化されたデータ拡張戦略と,新たな損失関数も組み込まれている。 MICCAI 2023および2024 PSFHセグメンテーションベンチマークの大規模な実験により,本手法は優れたロバスト性を示し,既存の技術よりも優れており,臨床実習に信頼性の高いセグメンテーションツールを提供することが示された。

関連論文リスト

• AttnRegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading [0.0]
  胚の断片化は、In Vitro Fertilization (IVF)における発生能を評価する上で重要な形態指標である 既存のディープラーニングソリューションは、しばしば臨床説明性に欠けたり、セグメンテーション領域の推定における累積誤差に悩まされる。 本研究では,マルチタスク学習を特徴とするフレームワークであるAttnRegDeepLabを提案する。
  論文  参考訳（メタデータ） (2025-11-23T13:50:49Z)
• An Arbitrary-Modal Fusion Network for Volumetric Cranial Nerves Tract Segmentation [21.228897192093573]
  そこで我々は,CNTSeg-v2と呼ばれる,体積性頭蓋神経(CNs)の領域分割のための新しい任意モード核融合ネットワークを提案する。 我々のモデルは、他の補助モーダルから情報的特徴を効果的に抽出するために設計されたArbitrary-Modal Collaboration Module (ACM)を含んでいる。 我々のCNTSeg-v2は最先端のセグメンテーション性能を達成し、競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T06:00:41Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Intrapartum Ultrasound Image Segmentation of Pubic Symphysis and Fetal Head Using Dual Student-Teacher Framework with CNN-ViT Collaborative Learning [1.5233179662962222]
  pubic symphysis and fetal head (PSFH) の分節は、労働の進行をモニターし、潜在的に引き起こされる合併症を特定するための重要なステップである。 従来の半教師付き学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用する。 CNN と Transformer を組み合わせた新しいフレームワークである Dual-Student and Teacher Combining CNN (DSTCT) を導入する。
  論文  参考訳（メタデータ） (2024-09-11T00:57:31Z)
• 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)
• 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)
• UNet-2022: Exploring Dynamics in Non-isomorphic Architecture [52.04899592688968]
  単純並列化による自己意図と畳み込みの利点を生かした並列非同型ブロックを提案する。 得られたU字型セグメンテーションモデルをUNet-2022と呼ぶ。 実験では、UNet-2022は明らかにレンジセグメンテーションタスクにおいてその性能を上回っている。
  論文  参考訳（メタデータ） (2022-10-27T16:00:04Z)

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。