論文の概要: Semantic Class Distribution Learning for Debiasing Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.05202v1
• Date: Thu, 05 Mar 2026 14:13:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.263638
• Title: Semantic Class Distribution Learning for Debiasing Semi-Supervised Medical Image Segmentation
• Title（参考訳）: 半監督型医用画像セグメントのデバイアス化のためのセマンティッククラス分散学習
• Authors: Yingxue Su, Yiheng Zhong, Keying Zhu, Zimu Zhang, Zhuoru Zhang, Yifang Wang, Yuxin Zhang, Jingxin Liu,
• Abstract要約: クラス不均衡は、少数構造が特徴表現において支配的なクラスに圧倒される原因となる。 本稿では,教師と表現バイアスを軽減するプラグイン・アンド・プレイモジュールであるセマンティック・クラス・ディストリビュート・ラーニング(SCDL)フレームワークを提案する。 SynapseデータセットとAMOSデータセットの実験は、SCDLが全体的なメトリクスとクラスレベルのメトリクスの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。
• 参考スコア（独自算出の注目度）: 13.713097789787717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is critical for computer-aided diagnosis. However, dense pixel-level annotation is time-consuming and expensive, and medical datasets often exhibit severe class imbalance. Such imbalance causes minority structures to be overwhelmed by dominant classes in feature representations, hindering the learning of discriminative features and making reliable segmentation particularly challenging. To address this, we propose the Semantic Class Distribution Learning (SCDL) framework, a plug-and-play module that mitigates supervision and representation biases by learning structured class-conditional feature distributions. SCDL integrates Class Distribution Bidirectional Alignment (CDBA) to align embeddings with learnable class proxies and leverages Semantic Anchor Constraints (SAC) to guide proxies using labeled data. Experiments on the Synapse and AMOS datasets demonstrate that SCDL significantly improves segmentation performance across both overall and class-level metrics, with particularly strong gains on minority classes, achieving state-of-the-art results. Our code is released at https://github.com/Zyh55555/SCDL.
• Abstract（参考訳）: 医用画像のセグメンテーションはコンピュータ支援診断に不可欠である。 しかし、密度の高いピクセルレベルのアノテーションは時間がかかり高価であり、医療データセットは深刻な階級的不均衡を示すことが多い。 このような不均衡は、少数派構造が特徴表現における支配的なクラスに圧倒され、差別的特徴の学習を妨げ、信頼性の高いセグメンテーションを特に困難にする。 そこで本研究では,構造化されたクラス条件特徴分布を学習することにより,監督と表現バイアスを軽減するプラグイン・アンド・プレイモジュールであるセマンティック・クラス・ディストリビューション・ラーニング(SCDL)フレームワークを提案する。 SCDLはCDBA(Class Distribution Bidirectional Alignment)を統合して、埋め込みを学習可能なクラスプロキシと整合させ、セマンティックアンカー制約(SAC)を利用してラベル付きデータを使ってプロキシをガイドする。 SynapseデータセットとAMOSデータセットの実験では、SCDLは、全体およびクラスレベルのメトリクスのセグメンテーション性能を著しく改善し、特にマイノリティクラスで顕著に向上し、最先端の結果が得られた。 私たちのコードはhttps://github.com/Zyh55555/SCDLで公開されています。

関連論文リスト

• Domain and Task-Focused Example Selection for Data-Efficient Contrastive Medical Image Segmentation [0.2765106384328772]
  医用画像セグメンテーションのための自己教師型コントラスト学習フレームワークであるPolyCLを提案する。 PolyCLは、革新的なサロゲートからのセグメンテーションに有用なコンテキスト対応の識別機能を学習し、伝達する。 PolyCLは、低データとクロスドメインの両方のシナリオにおいて、完全な教師付きベースラインと自己教師付きベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-25T16:11:48Z)
• Long-tailed Medical Diagnosis with Relation-aware Representation Learning and Iterative Classifier Calibration [14.556686415877602]
  本稿では,Long-tailed Medical Diagnosis (LMD) フレームワークを提案する。 私たちのフレームワークは最先端のアプローチを大きく超えています。
  論文  参考訳（メタデータ） (2025-02-05T14:57:23Z)
• SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised Temporal Action Segmentation [53.010417880335424]
  半教師付き時間的アクションセグメンテーション(SS-TA)は、長編ビデオにおいてフレームワイズ分類を行うことを目的としている。 近年の研究では、教師なし表現学習におけるコントラスト学習の可能性が示されている。 本稿では,SMC-NCA(Neighbourhood-Consistency-Aware Unit)を用いたセマンティック誘導型マルチレベルコントラスト方式を提案する。
  論文  参考訳（メタデータ） (2023-12-19T17:26:44Z)
• Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
  本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。 我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-26T17:41:11Z)
• Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image Segmentation [14.536384387956527]
  医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。 提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。 Diceでは最先端の半教師あり手法を3.0%以上上回っている。
  論文  参考訳（メタデータ） (2023-06-25T16:55:32Z)
• Inherent Consistent Learning for Accurate Semi-supervised Medical Image Segmentation [30.06702813637713]
  頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。 提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-24T17:38:03Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• 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。