論文の概要: Uncertainty-Aware Concept and Motion Segmentation for Semi-Supervised Angiography Videos
- arxiv url: http://arxiv.org/abs/2603.00881v1
- Date: Sun, 01 Mar 2026 03:04:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.395393
- Title: Uncertainty-Aware Concept and Motion Segmentation for Semi-Supervised Angiography Videos
- Title（参考訳）: 半監督血管造影ビデオにおける不確実性認識概念と運動分割
- Authors: Yu Luo, Guangyu Wei, Yangfan Li, Jieyu He, Yueming Lyu,
- Abstract要約: 運動認識の一貫性とプログレッシブ・信頼の規則化を両立させたSAM3ベースの教師学習フレームワークを提案する。
提案手法は,SAM3の独特な即興的な概念セグメンテーション設計を利用して,SAM3をベースとした教師学習フレームワークを革新し,教師と生徒の双方のパフォーマンスを最大化する。
- 参考スコア（独自算出の注目度）: 15.975499220724044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of the main coronary artery from X-ray coronary angiography (XCA) sequences is crucial for the diagnosis of coronary artery diseases. However, this task is challenging due to issues such as blurred boundaries, inconsistent radiation contrast, complex motion patterns, and a lack of annotated images for training. Although Semi-Supervised Learning (SSL) can alleviate the annotation burden, conventional methods struggle with complicated temporal dynamics and unreliable uncertainty quantification. To address these challenges, we propose SAM3-based Teacher-student framework with Motion-Aware consistency and Progressive Confidence Regularization (SMART), a semi-supervised vessel segmentation approach for X-ray angiography videos. First, our method utilizes SAM3's unique promptable concept segmentation design and innovates a SAM3-based teacher-student framework to maximize the performance potential of both the teacher and the student. Second, we enhance segmentation by integrating the vessel mask warping technique and motion consistency loss to model complex vessel dynamics. To address the issue of unreliable teacher predictions caused by blurred boundaries and minimal contrast, we further propose a progressive confidence-aware consistency regularization to mitigate the risk of unreliable outputs. Extensive experiments on three datasets of XCA sequences from different institutions demonstrate that SMART achieves state-of-the-art performance while requiring significantly fewer annotations, making it particularly valuable for real-world clinical applications where labeled data is scarce. Our code is available at: https://github.com/qimingfan10/SMART.
- Abstract（参考訳）: X-ray coronary angiography (XCA) からの冠状動脈の分画は冠動脈疾患の診断に不可欠である。
しかし、この課題は、ぼやけた境界線、矛盾した放射コントラスト、複雑な動きパターン、トレーニングのための注釈付き画像の欠如などの問題により、困難である。
Semi-Supervised Learning (SSL) はアノテーションの負担を軽減することができるが、従来の手法は複雑な時間的ダイナミクスと信頼性の低い不確実性の定量化に苦慮している。
これらの課題に対処するために,X線血管造影ビデオのための半教師付き血管分割手法SMART(Motion-Aware consistency and Progressive Confidence Regularization)を用いたSAM3ベースのTeacher-Studentフレームワークを提案する。
まず,SAM3の独特な素早い概念セグメンテーション設計を利用し,SAM3をベースとした教師学習フレームワークを試作し,教師と生徒の双方のパフォーマンスを最大化する。
第2に、複雑な容器力学をモデル化するために、容器マスク整流技術と運動の整合性損失を統合することによりセグメント化を強化する。
曖昧な境界と最小のコントラストによる教師の信頼できない予測の問題に対処するため,信頼できない出力のリスクを軽減するために,信頼度に配慮した整合性正規化を提案する。
異なる機関の3つのXCA配列のデータセットに対する大規模な実験は、SMARTが最先端のパフォーマンスを達成し、アノテーションを著しく少なくし、ラベル付きデータが不足している実世界の臨床応用に特に有用であることを示している。
私たちのコードは、https://github.com/qimingfan10/SMART.comで利用可能です。
関連論文リスト
- MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation [63.38824041721275]
低解像度(LR)医療ビデオは、ビデオ超解像度(VSR)モデルに固有の課題を提示する。
本稿では,医療用VSRのためのフレームワークであるMedVSRを提案する。
MedVSRは既存のVSRモデルよりも性能と効率が優れていることを示す。
論文 参考訳（メタデータ） (2025-09-25T14:56:59Z) - Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。
このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。
アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
論文 参考訳（メタデータ） (2025-09-09T11:52:24Z) - CTSL: Codebook-based Temporal-Spatial Learning for Accurate Non-Contrast Cardiac Risk Prediction Using Cine MRIs [2.668073128790639]
既存の方法は、心室心筋のヒト精製マスクに基づく教師あり学習を必要とする。
セグメンテーションマスクを必要としない生のCineデータから学習する自己教師型フレームワーク,すなわちCodebookベースの時間空間学習(TSL)を導入する。
高信頼度MACEリスク予測は我々のモデルにより達成され、心臓リスク評価のための迅速で非侵襲的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-07-22T14:12:41Z) - 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) - MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation [8.850534640462081]
冠状DSA画像のセグメンテーションを高めるために,教師付きおよび原型的コントラスト学習を融合させるスーパービジョン型コントラスト損失を提案する。
MSA-UNet3+: Multi-Scale Attention-Enhanced UNet3+アーキテクチャで提案したSPCL損失を実装した。
プライベート冠DSAデータセットの実験では、MSA-UNet3+が最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-04-07T15:35:30Z) - Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。
既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。
学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
論文 参考訳（メタデータ） (2025-03-24T14:47:54Z) - 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) - Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z)
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。