論文の概要: Intra-Class Subdivision for Pixel Contrastive Learning: Application to Semi-supervised Cardiac Image Segmentation

• arxiv url: http://arxiv.org/abs/2602.00174v1
• Date: Fri, 30 Jan 2026 02:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.028721
• Title: Intra-Class Subdivision for Pixel Contrastive Learning: Application to Semi-supervised Cardiac Image Segmentation
• Title（参考訳）: 画素コントラスト学習のためのクラス内サブディビジョン:半教師付き心臓画像分割への応用
• Authors: Jiajun Zhao, Xuan Yang,
• Abstract要約: 心臓画像分割のためのクラス内サブディビジョン画素コントラスト学習フレームワークを提案する。 同じクラス内の内および境界領域におけるピクセル表現を区別するために、"Unconcerned sample'"の概念が提案されている。 境界表現に対する新たなコントラッシブ・ロスが提案され、境界を越えた表現の識別が促進される。
• 参考スコア（独自算出の注目度）: 19.277557394191728
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose an intra-class subdivision pixel contrastive learning (SPCL) framework for cardiac image segmentation to address representation contamination at boundaries. The novel concept ``Unconcerned sample'' is proposed to distinguish pixel representations at the inner and boundary regions within the same class, facilitating a clearer characterization of intra-class variations. A novel boundary contrastive loss for boundary representations is proposed to enhance representation discrimination across boundaries. The advantages of the unconcerned sample and boundary contrastive loss are analyzed theoretically. Experimental results in public cardiac datasets demonstrate that SPCL significantly improves segmentation performance, outperforming existing methods with respect to segmentation quality and boundary precision. Our code is available at https://github.com/Jrstud203/SPCL.
• Abstract（参考訳）: 本研究では,境界における表現汚染に対処するために,心臓画像分割のためのクラス内画素コントラスト学習(SPCL)フレームワークを提案する。 Unconcerned sample' という新しい概念は、同じクラス内の内および境界領域におけるピクセル表現を区別するために提案され、クラス内変異の明確化を容易にする。 境界表現に対する新たなコントラッシブ・ロスが提案され、境界を越えた表現の識別が促進される。 提案手法の利点を理論的に解析した。 実験の結果,SPCLはセグメンテーション性能を著しく向上し,セグメンテーション品質とバウンダリ精度において既存手法よりも優れていた。 私たちのコードはhttps://github.com/Jrstud203/SPCLで利用可能です。

関連論文リスト

• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• DU-Net based Unsupervised Contrastive Learning for Cancer Segmentation in Histology Images [14.90768557126822]
  このフレームワークは、セグメンテーションのための独特の視覚的表現を抽出する効果的なコントラスト学習スキームを含んでいる。 実験では、セグメンテーションにおける競争性能が、一般的な教師ネットワークよりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-17T14:04:31Z)
• Exploring Feature Representation Learning for Semi-supervised Medical Image Segmentation [30.608293915653558]
  半教師型医用画像分割のための2段階フレームワークを提案する。 重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。 段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。 本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
  論文  参考訳（メタデータ） (2021-11-22T05:06:12Z)
• Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
  視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。 数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
  論文  参考訳（メタデータ） (2021-08-01T07:10:25Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
  完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。 中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。 テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
  論文  参考訳（メタデータ） (2021-01-28T11:35:32Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)
• Towards Interpretable Semantic Segmentation via Gradient-weighted Class Activation Mapping [71.91734471596432]
  本稿では,セマンティックセグメンテーションの解法としてSEG-GRAD-CAMを提案する。 本手法は,各画素のセグメンテーションに対する関連性を示すヒートマップを作成するために局所的に適用された広く使われているGrad-CAM法の拡張である。
  論文  参考訳（メタデータ） (2020-02-26T12:32:40Z)

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。