論文の概要: Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.18655v1
• Date: Thu, 19 Mar 2026 09:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.056917
• Title: Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation
• Title（参考訳）: 医用超音波画像分割における半教師付きコントラスト学習のためのマルチスケールスイッチ
• Authors: Jingguo Qu, Xinyang Han, Yao Pu, Man-Lik Chui, Simon Takadiyi Gunda, Ziman Chen, Jing Qin, Ann Dorothy King, Winnie Chiu-Wing Chu, Jing Cai, Michael Tin-Cheung Ying,
• Abstract要約: 医用超音波画像のセグメンテーションは、ラベル付きデータや特徴的な画像アーティファクトに制限があるため、重大な課題に直面している。 2つの重要なイノベーションを持つ新しいSSLフレームワークであるSwitchを提案する。 我々のフレームワークは、これらのコンポーネントを教師-学生アーキテクチャに統合し、ラベル付きデータとラベルなしデータの両方を効果的に活用する。
• 参考スコア（独自算出の注目度）: 9.346812835233482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical ultrasound image segmentation faces significant challenges due to limited labeled data and characteristic imaging artifacts including speckle noise and low-contrast boundaries. While semi-supervised learning (SSL) approaches have emerged to address data scarcity, existing methods suffer from suboptimal unlabeled data utilization and lack robust feature representation mechanisms. In this paper, we propose Switch, a novel SSL framework with two key innovations: (1) Multiscale Switch (MSS) strategy that employs hierarchical patch mixing to achieve uniform spatial coverage; (2) Frequency Domain Switch (FDS) with contrastive learning that performs amplitude switching in Fourier space for robust feature representations. Our framework integrates these components within a teacher-student architecture to effectively leverage both labeled and unlabeled data. Comprehensive evaluation across six diverse ultrasound datasets (lymph nodes, breast lesions, thyroid nodules, and prostate) demonstrates consistent superiority over state-of-the-art methods. At 5\% labeling ratio, Switch achieves remarkable improvements: 80.04\% Dice on LN-INT, 85.52\% Dice on DDTI, and 83.48\% Dice on Prostate datasets, with our semi-supervised approach even exceeding fully supervised baselines. The method maintains parameter efficiency (1.8M parameters) while delivering superior performance, validating its effectiveness for resource-constrained medical imaging applications. The source code is publicly available at https://github.com/jinggqu/Switch
• Abstract（参考訳）: 医用超音波画像のセグメンテーションは、限られたラベル付きデータとスペックルノイズや低コントラスト境界を含む特徴的画像アーティファクトが原因で、重大な課題に直面している。 半教師付き学習(SSL)アプローチがデータ不足に対処する一方で、既存の手法では、ラベルなしの最適データ利用に悩まされ、ロバストな特徴表現機構が欠如している。 本稿では,一様空間カバレッジを実現するために階層型パッチミキシングを利用するマルチスケールスイッチ(MSS)戦略と,ロバストな特徴表現のためにフーリエ空間で振幅切替を行うコントラスト学習を伴う周波数領域スイッチ(FDS)の2つの重要な革新点を持つ新しいSSLフレームワークであるSwitchを提案する。 我々のフレームワークは、これらのコンポーネントを教師-学生アーキテクチャに統合し、ラベル付きデータとラベルなしデータの両方を効果的に活用する。 6つの超音波データセット(リンパ節、乳腺病変、甲状腺結節、前立腺)の総合的な評価は、最先端の手法よりも一貫した優位性を示す。 LN-INTの80.04\% Dice、DDTIの85.52\% Dice、Prostateのデータセットの83.48\% Dice。 本手法は, パラメータ効率(1.8Mパラメータ)を維持しつつ, 優れた性能を実現し, その有効性を検証する。 ソースコードはhttps://github.com/jinggqu/Switchで公開されている。

関連論文リスト

• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• Enhanced Masked Image Modeling to Avoid Model Collapse on Multi-modal MRI Datasets [6.3467517115551875]
  マスク付き画像モデリング(MIM)は、ラベルなしデータの利用において有望であることを示す。 モデル崩壊を, 完全崩壊と次元崩壊の2つのタイプで解析し, 対処する。 HMPとPBTモジュールを併用した拡張MIM(E-MIM)を構築し,マルチモーダルMRIのモデル崩壊を回避する。
  論文  参考訳（メタデータ） (2024-07-15T01:11:30Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• 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)
• Adversarial Distortion Learning for Medical Image Denoising [43.53912137735094]
  本稿では,2次元および3次元(2D/3D)のバイオメディカル画像データから,新たな逆歪み学習法を提案する。 提案されたADLは2つの自動エンコーダで構成されている。 デノイザとディスクリミネータはどちらも、Efficient-Unetと呼ばれる自動エンコーダをベースとしている。
  論文  参考訳（メタデータ） (2022-04-29T13:47:39Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• 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)
• Contrastive learning of global and local features for medical image segmentation with limited annotations [10.238403787504756]
  教師付きディープラーニングの成功のための重要な要件は、大きなラベル付きデータセットである。 半教師付き環境での医用画像のセグメンテーションのためのコントラスト学習フレームワークの拡張戦略を提案する。 限定的なアノテーション設定では、提案手法は、他の自己超越的および半教師付き学習技術と比較して大幅に改善される。
  論文  参考訳（メタデータ） (2020-06-18T13:31:26Z)

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。