論文の概要: Addressing data annotation scarcity in Brain Tumor Segmentation on 3D MRI scan Using a Semi-Supervised Teacher-Student Framework

• arxiv url: http://arxiv.org/abs/2602.08797v1
• Date: Mon, 09 Feb 2026 15:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.328137
• Title: Addressing data annotation scarcity in Brain Tumor Segmentation on 3D MRI scan Using a Semi-Supervised Teacher-Student Framework
• Title（参考訳）: 半監督型教師学習フレームワークを用いた3次元MRI画像における脳腫瘍切開におけるデータアノテーション不足への対処
• Authors: Jiaming Liu, Cheng Ding, Daoqiang Zhang,
• Abstract要約: 本研究では,不確実性を認識した擬似ラベル学習教師と,学生の信頼度に基づくカリキュラムを併用した半教師付きフレームワークを提案する。 BraTS 2021では、検証DSCは0.393(10%データ)から0.872(100%データ)に増加し、初期の段階では最大の増加となった。 これらの結果から,自信駆動型カリキュラムと選択的アンラーニングは,限られた監督とうるさい擬似ラベルの下で頑健なセグメンテーションをもたらすことが示された。
• 参考スコア（独自算出の注目度）: 34.880478990331916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate brain tumor segmentation from MRI is limited by expensive annotations and data heterogeneity across scanners and sites. We propose a semi-supervised teacher-student framework that combines an uncertainty-aware pseudo-labeling teacher with a progressive, confidence-based curriculum for the student. The teacher produces probabilistic masks and per-pixel uncertainty; unlabeled scans are ranked by image-level confidence and introduced in stages, while a dual-loss objective trains the student to learn from high-confidence regions and unlearn low-confidence ones. Agreement-based refinement further improves pseudo-label quality. On BraTS 2021, validation DSC increased from 0.393 (10% data) to 0.872 (100%), with the largest gains in early stages, demonstrating data efficiency. The teacher reached a validation DSC of 0.922, and the student surpassed the teacher on tumor subregions (e.g., NCR/NET 0.797 and Edema 0.980); notably, the student recovered the Enhancing class (DSC 0.620) where the teacher failed. These results show that confidence-driven curricula and selective unlearning provide robust segmentation under limited supervision and noisy pseudo-labels.
• Abstract（参考訳）: MRIからの正確な脳腫瘍のセグメンテーションは、スキャナーやサイト全体にわたる高価なアノテーションとデータの均一性によって制限される。 本研究では,不確実性に気付く疑似ラベル学習の教師と,段階的な信頼度に基づくカリキュラムを併用した半教師型教員教育フレームワークを提案する。 教師は確率的マスクと画素ごとの不確実性を生成し、ラベルなしスキャンは画像レベルの信頼度によってランク付けされ、段階的に導入される。 合意に基づく改善は、さらに擬似ラベルの品質を改善します。 BraTS 2021では、バリデーションDSCが0.393(10%データ)から0.872(100%データ)に増加し、データ効率が向上した。 教師は0.922の検証DSCに達し、学生は腫瘍のサブリージョン(例えばNCR/NET 0.797とEdema 0.980)で教師を追い越し、特に教師が失敗したエンハンシングクラス(DSC 0.620)を回復した。 これらの結果から,自信駆動型カリキュラムと選択的アンラーニングは,限られた監督とうるさい擬似ラベルの下で頑健なセグメンテーションをもたらすことが示された。

関連論文リスト

• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Erase to Retain: Low Rank Adaptation Guided Selective Unlearning in Medical Segmentation Networks [0.7305019142196584]
  医用画像セグメンテーションのための制御可能なアンラーニングフレームワークであるErase to Retainを紹介する。 提案手法は,低ランク適応 (LoRA) 制約付き部分空間更新を用いた教師学生蒸留パラダイムを用いている。 ISIC分類では, 忘れ部分集合の精度を87.0%から64.1%に下げるとともに, 保持精度を83.9%から90.6%に改善する。
  論文  参考訳（メタデータ） (2025-11-20T17:30:16Z)
• XDementNET: An Explainable Attention Based Deep Convolutional Network to Detect Alzheimer Progression from MRI data [0.0]
  本稿では,多面的ブロック,特殊空間的アテンションブロック,グループ化されたクエリアテンション,マルチヘッドアテンションを取り入れた新しいディープラーニングアーキテクチャを提案する。 ネットワークがMRI画像から重要な情報を取得する能力は、ADステージの分類において優れた精度で示される。
  論文  参考訳（メタデータ） (2025-05-20T04:17:28Z)
• SDCL: Students Discrepancy-Informed Correction Learning for Semi-supervised Medical Image Segmentation [1.7265013728931]
  半教師付き医用画像セグメンテーション(SSMIS)は、限られた医療ラベル付きデータの問題を緩和する可能性を実証している。 本研究では,2人の生徒と1人の教師を含む学生の離散型情報修正学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T08:23:53Z)
• Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT [0.873811641236639]
  本稿では,異常耐性腫瘍の検出と分類のための臨床的に着想を得たフレームワークを提案する。 検出は、現実的に不均衡なデータセット上で微調整されたYOLOv8nを活用する。 また,患者レベルでの診断信頼性を評価するPTP(Patent-to-Patient)尺度も提案した。
  論文  参考訳（メタデータ） (2024-01-06T20:53:02Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• Teacher-Student chain for efficient semi-supervised histology image classification [12.90295086807009]
  自動的なデジタル病理システムは、第2のリーダーとして機能し、大規模なスクリーニング研究で最初のトリアージを実行したり、レポートを補助したりすることができる。 医療専門家が乏しいため、大規模な組織画像データベースを徹底的に注釈付けするのは費用がかかる。 本稿では, 教員が指導する知識蒸留技術を用いて, 大腸癌の予後を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:01:43Z)

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。