論文の概要: Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation

• arxiv url: http://arxiv.org/abs/2603.08605v2
• Date: Thu, 12 Mar 2026 14:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.442897
• Title: Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation
• Title（参考訳）: 土地分断のためのプログレッシブな擬似マスクリファインメントを用いた教師学習フレームワーク
• Authors: Hikmat Khan, Wei Chen, Muhammad Khalid Khan Niazi,
• Abstract要約: 本稿では,スパース・パストロジー・アノテーションと指数移動平均安定化型教師ネットワークを活用して,洗練された擬似マスクを生成する弱教師型教員の枠組みを提案する。 このフレームワークは、信頼に基づくフィルタリング、教師の予測の適応的融合、限られた真実との融合、およびカリキュラムガイドにより、未通知の腺領域を段階的に分割する。
• 参考スコア（独自算出の注目度）: 3.9010235529140616
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background and objectives: Colorectal cancer histopathological grading depends on accurate segmentation of glandular structures. Current deep learning approaches rely on large scale pixel level annotations that are labor intensive and difficult to obtain in routine clinical practice. Weakly supervised semantic segmentation offers a promising alternative. However, class activation map based methods often produce incomplete pseudo masks that emphasize highly discriminative regions and fail to supervise unannotated glandular structures. We propose a weakly supervised teacher student framework that leverages sparse pathologist annotations and an Exponential Moving Average stabilized teacher network to generate refined pseudo masks. Methods: The framework integrates confidence based filtering, adaptive fusion of teacher predictions with limited ground truth, and curriculum guided refinement to progressively segment unannotated glandular regions. The method was evaluated on an institutional colorectal cancer cohort from The Ohio State University Wexner Medical Center consisting of 60 hematoxylin and eosin stained whole slide images and on public datasets including the Gland Segmentation dataset, TCGA COAD, TCGA READ, and SPIDER. Results: On the Gland Segmentation dataset the framework achieved a mean Intersection over Union of 80.10 and a mean Dice coefficient of 89.10. Cross cohort evaluation demonstrated robust generalization on TCGA COAD and TCGA READ without additional annotations, while reduced performance on SPIDER reflected domain shift. Conclusions: The proposed framework provides an annotation efficient and generalizable approach for gland segmentation in colorectal histopathology.
• Abstract（参考訳）: 背景と目的:大腸癌の病理組織学的評価は、腺構造の正確な分節に依存している。 現在のディープラーニングアプローチは、日常的な臨床実践において、労働集約的で入手が難しい大規模なピクセルレベルのアノテーションに依存している。 弱教師付きセマンティックセグメンテーションは有望な代替手段を提供する。 しかし、クラスアクティベーションマップに基づく手法は、高い識別領域を強調し、注釈のない腺構造を監督することができない不完全な擬似マスクをしばしば生成する。 本稿では,スパース・パストロジー・アノテーションと指数移動平均安定化型教師ネットワークを活用して,洗練された擬似マスクを生成する弱教師型教員の枠組みを提案する。 方法:本フレームワークは信頼性に基づくフィルタリング,教師予測の適応的融合を限定的真実と統合し,未通知腺領域を段階的に分節するカリキュラムを指導する。 The Ohio State University Wexner Medical Centerの機関的大腸癌コホートを用いて,60個のヘマトキシリンおよびエオシン染色したスライド画像と,Gland Segmentationデータセット, TCGA COAD, TCGA READ, SPIDERなどの公開データセットを用いて評価した。 結果: Gland Segmentationデータセットでは、フレームワークは平均80.10のユニオンと平均Dice係数89.10のインターセクションを達成した。 クロスコホート評価では,TCGA COAD と TCGA READ はアノテーションを伴わず,SPIDER はドメインシフトを反映し,堅牢な一般化が見られた。 結論:本提案フレームワークは,大腸病理組織学における腺分節に対するアノテーションの効率的かつ一般化可能なアプローチを提供する。

関連論文リスト

• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Graph-Theoretic Consistency for Robust and Topology-Aware Semi-Supervised Histopathology Segmentation [2.547516931540122]
  半教師付きセマンティックセグメンテーション(SSSS)は、高密度アノテーションが高価で制限される計算病理学において不可欠である。 本稿では、ラプラシアンスペクトル、成分数、および予測グラフと参照間の隣接統計を整列させることにより、グラフ理論の制約を統合するフレームワークであるTopology Graph Consistency (TGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-19T04:41:03Z)
• RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation [2.608565452856053]
  医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクに不可欠である。 粗いレベルのアノテーションに完全に依存する新しい粗いセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T19:14:30Z)
• Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
  広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半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。 ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。 我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:40:34Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• 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)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• 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。