論文の概要: Addressing Data Scarcity in 3D Trauma Detection through Self-Supervised and Semi-Supervised Learning with Vertex Relative Position Encoding
- arxiv url: http://arxiv.org/abs/2603.12514v1
- Date: Thu, 12 Mar 2026 23:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.805353
- Title: Addressing Data Scarcity in 3D Trauma Detection through Self-Supervised and Semi-Supervised Learning with Vertex Relative Position Encoding
- Title（参考訳）: 頂点相対位置符号化による自己教師付き半教師付き学習による3次元外傷検出におけるデータスカシティの対応
- Authors: Shivam Chaudhary, Sheethal Bhat, Andreas Maier,
- Abstract要約: 本稿では,3次元医用画像解析のための自己教師付き事前訓練と半教師付き検出を組み合わせたラベル効率のアプローチを提案する。
我々はパッチベースのMasked Image Modeling (MIM)を用いて、1,206個のCTボリュームで3D U-Netエンコーダを事前トレーニングし、堅牢な解剖学的表現を学習する。
検出のために、2000のラベル付きボリュームと一貫性の規則化による半教師付き学習は、56.57%の検証mAP@0.50と45.30%のテストmAP@0.50と、144のラベル付きトレーニングサンプルしか持たない。
分類では、2,244個のラベル付きサンプルに拡張すると、7つの損傷に対して94.07%のテスト精度が得られる
- 参考スコア（独自算出の注目度）: 3.9641557356685166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate detection and localization of traumatic injuries in abdominal CT scans remains a critical challenge in emergency radiology, primarily due to severe scarcity of annotated medical data. This paper presents a label-efficient approach combining self-supervised pre-training with semi-supervised detection for 3D medical image analysis. We employ patch-based Masked Image Modeling (MIM) to pre-train a 3D U-Net encoder on 1,206 CT volumes without annotations, learning robust anatomical representations. The pretrained encoder enables two downstream clinical tasks: 3D injury detection using VDETR with Vertex Relative Position Encoding, and multi-label injury classification. For detection, semi-supervised learning with 2,000 unlabeled volumes and consistency regularization achieves 56.57% validation mAP@0.50 and 45.30% test mAP@0.50 with only 144 labeled training samples, representing a 115% improvement over supervised-only training. For classification, expanding to 2,244 labeled samples yields 94.07% test accuracy across seven injury categories using only a frozen encoder, demonstrating immediately transferable self-supervised features. Our results validate that self-supervised pre-training combined with semi-supervised learning effectively addresses label scarcity in medical imaging, enabling robust 3D object detection with limited annotations.
- Abstract（参考訳）: 腹部CT検査における外傷性外傷の正確な検出と局所化は,注記医療データの不足が主な原因で,緊急放射線学において重要な課題である。
本稿では,3次元医用画像解析のための自己教師付き事前訓練と半教師付き検出を組み合わせたラベル効率のアプローチを提案する。
我々はパッチベースのMasked Image Modeling (MIM)を用いて、1,206個のCTボリュームで3D U-Netエンコーダを事前トレーニングし、堅牢な解剖学的表現を学習する。
トレーニング済みエンコーダは,Vertex Relative Position Encodingを用いたVDETRを用いた3次元外傷検出と,複数ラベル損傷分類の2つの下流臨床業務を可能にする。
検出には、2000のラベル付きボリュームと整合性正規化による半教師付き学習が56.57%の検証mAP@0.50と45.30%のテストmAP@0.50を144のラベル付きトレーニングサンプルで達成し、教師付きトレーニングよりも115%改善した。
分類では、2,244個のラベル付きサンプルに拡張すると、凍結エンコーダのみを使用して、7つの損傷カテゴリで94.07%のテスト精度が得られる。
本研究は,半教師付き学習と併用した自己教師付き事前学習が,医用画像のラベル不足を効果的に解決し,アノテーションを限定した堅牢な3次元物体検出を可能にすることを実証した。
関連論文リスト
- DinoAtten3D: Slice-Level Attention Aggregation of DinoV2 for 3D Brain MRI Anomaly Classification [2.731729370870452]
医用画像の異常検出と分類は早期診断には重要であるが, 注釈付きデータ, クラス不均衡, 専門家によるラベル付けのコストが高いため, 依然として困難である。
本稿では,3次元画像異常分類に特化して,注目に基づくグローバルアグリゲ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） (2025-09-15T23:31:40Z) - 3D Universal Lesion Detection and Tagging in CT with Self-Training [3.68620908362189]
本研究では,3次元病変を検知し,身体部位に応じてタグ付けするための自己学習パイプラインを提案する。
私たちの知る限り、私たちは初めて3Dの病変を共同で検出し、身体のラベルに従ってタグ付けしました。
論文 参考訳（メタデータ） (2025-04-07T15:50:27Z) - Anatomically-guided masked autoencoder pre-training for aneurysm detection [6.025753055139489]
頭蓋内動脈瘤は世界中で致死率と死亡率の主要な原因である。
本研究では,無注釈頭部CTスキャンデータを用いた3次元ビジョントランスモデルの事前学習のための新しい事前学習手法を提案する。
SOTA大動脈瘤検出モデルと比較すると, 絶対感度は+4-8%, 偽陽性率0.5。
論文 参考訳（メタデータ） (2025-02-28T17:13:58Z) - Detection of Intracranial Hemorrhage for Trauma Patients [1.0074894923170512]
本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。
我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
論文 参考訳（メタデータ） (2024-08-20T12:03:59Z) - Deep Omni-supervised Learning for Rib Fracture Detection from Chest
Radiology Images [41.62893318123283]
ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。
DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。
医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。
我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-23T05:36:03Z) - 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) - 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography [2.2302915692528367]
仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。
本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。
異常領域を93%の精度でローカライズし、高い性能を示す。
論文 参考訳（メタデータ） (2022-06-18T13:22:00Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文 参考訳（メタデータ） (2022-04-12T13:05:18Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。
VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。
そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
論文 参考訳（メタデータ） (2020-04-04T18:55:06Z)
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。