論文の概要: Unsupervised Semantic Segmentation in Synchrotron Computed Tomography with Self-Correcting Pseudo Labels
- arxiv url: http://arxiv.org/abs/2603.00372v1
- Date: Fri, 27 Feb 2026 23:15:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.16155
- Title: Unsupervised Semantic Segmentation in Synchrotron Computed Tomography with Self-Correcting Pseudo Labels
- Title（参考訳）: 自己補正擬似ラベルを用いた放射光CTにおける教師なしセマンティックセマンティックセメンテーション
- Authors: Austin Yunker, Peter Kenesei, Hemant Sharma, Jun-Sang Park, Antonino Miceli, Rajkumar Kettimuthu,
- Abstract要約: ディープラーニングは、さまざまなデータ駆動ソリューションを提供する強力なツールとして登場した。
本稿では,大規模で高解像度なSR-CTデータセットの自動セグメンテーションを可能にする新しいフレームワークを提案する。
提案手法は,基本となる擬似ラベルに対して,画素精度とmIoUをそれぞれ13.31%,mIoUを15.94%向上させる。
- 参考スコア（独自算出の注目度）: 2.3100447881717345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: X-ray computed tomography (CT) is a widely used imaging technique that provides detailed examinations into the internal structure of an object with synchrotron CT (SR-CT) enabling improved data quality by using higher energy, monochromatic X-rays. While SR-CT allows for improved resolution, time-resolved experimentation, and reduced imaging artifacts, it also produces significantly larger datasets than conventional CT. Accurate and efficient evaluation of these datasets is a critical component of these workflows; yet is often done manually representing a major bottleneck in the analysis phase. While deep learning has emerged as a powerful tool capable of providing a wide range of purely data-driven solutions, it requires a substantial amount of labeled data for training and manual annotation of SR-CT datasets is impractical in practice. In this paper, we introduce a novel framework that enables automatic segmentation of large, high-resolution SR-CT datasets by eliminating the need to hand label images for deep learning training. First, we generate pseudo labels by clustering on the voxel values identifying regions in the volume with similar attenuation coefficients producing an initial semantic map. Afterwards, we train a segmentation model on the pseudo labels before utilizing the Unbiased Teacher approach to self-correct them ensuring accurate final segmentations. We find our approach improves pixel-wise accuracy and mIoU by 13.31% and 15.94%, respectively, over the baseline pseudo labels when using a magnesium crystal SR-CT sample. Additionally, we extensively evaluate the different components of our workflow including segmentation model, loss function, pseudo labeling strategy, and input type. Finally, we evaluate our approach on to two additional samples highlighting our frameworks ability to produce segmentations that are considerably better than the original pseudo labels.
- Abstract（参考訳）: X線CT(X-ray Computed Tomography)は、放射光CT(SR-CT)を用いて物体の内部構造を詳細に観察し、高エネルギーの単色X線を用いてデータ品質を向上させる技術である。
SR-CTは、解像度の向上、時間分解実験、画像アーティファクトの削減を可能にするが、従来のCTよりもはるかに大きなデータセットを生成する。
これらのデータセットの正確かつ効率的な評価は、これらのワークフローの重要なコンポーネントである。
ディープラーニングは、純粋にデータ駆動の幅広いソリューションを提供する強力なツールとして登場したが、SR-CTデータセットのトレーニングと手作業によるアノテーションのトレーニングには、かなりの量のラベル付きデータが必要である。
本稿では,大規模かつ高解像度なSR-CTデータセットの自動セグメンテーションを実現するための新しいフレームワークを提案する。
まず,初期意味マップを生成する類似の減衰係数を用いて,ボリューム内の領域を識別するボクセル値のクラスタリングにより擬似ラベルを生成する。
その後、疑似ラベルのセグメンテーションモデルを訓練し、アンバイアスド・教師のアプローチを用いて、正確な最終セグメンテーションを確実にする自己補正を行う。
本手法は,マグネシウム結晶SR-CT試料を用いた場合の擬似ラベルに対して,それぞれ13.31%,15.94%の画素精度とmIoUを改善する。
さらに、セグメンテーションモデル、損失関数、擬似ラベリング戦略、入力型など、ワークフローのさまざまなコンポーネントを広範囲に評価する。
最後に,従来の擬似ラベルよりもはるかに優れたセグメンテーションを生成可能なフレームワークを,2つの追加サンプルで評価した。
関連論文リスト
- Subcortical Masks Generation in CT Images via Ensemble-Based Cross-Domain Label Transfer [1.312727273368205]
神経画像における皮質下セグメンテーションは、脳解剖の理解と、外傷性脳損傷や神経変性障害のコンピュータ支援による診断の促進に重要な役割を果たしている。
磁気共鳴画像(MRI)用の皮質下セグメンテーションデータセットが公開されているが、CT(Computed Tomography)には大きなギャップがある。
本稿では,既存のMRIモデルを利用して,CTスキャンのための高品質な皮質下セグメンテーションラベルを生成するための自動アンサンブルフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-15T12:57:35Z) - SingleStrip: learning skull-stripping from a single labeled example [1.54032564881154]
ドメインランダム化と自己学習を用いて3次元頭蓋骨切断ネットワークを訓練する。
ネットワークを微調整するために上位の擬似ラベルを選択する。
この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
論文 参考訳（メタデータ） (2025-08-14T09:05:19Z) - A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data [4.746694624239095]
オプティカル・コヒーレンス・トモグラフィー (OCT) は, 死後神経血管の研究でますます人気が高まっている。
ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。
どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。
論文 参考訳（メタデータ） (2024-05-22T15:39:31Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-22T06:16:16Z) - Enhancing Point Annotations with Superpixel and Confidence Learning
Guided for Improving Semi-Supervised OCT Fluid Segmentation [17.85298271262749]
Superpixel and Confident Learning Guide Point s Network (SCLGPA-Net)。
Superpixel-Guided Pseudo-Label Generation (SGPLG)モジュールは擬似ラベルとピクセルレベルのラベル信頼マップを生成する。
CLGLR(Confident Learning Guided Label Refinement)モジュールは、擬似ラベル内のエラー情報を識別し、さらなる改善につながる。
論文 参考訳（メタデータ） (2023-06-05T04:21:00Z) - A Knowledge Distillation framework for Multi-Organ Segmentation of
Medaka Fish in Tomographic Image [5.881800919492064]
メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。
本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。
実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
論文 参考訳（メタデータ） (2023-02-24T10:31:29Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳（メタデータ） (2021-08-28T01:33:38Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。