論文の概要: RADA: Region-Aware Dual-encoder Auxiliary learning for Barely-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.11164v1
• Date: Mon, 13 Apr 2026 08:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.424772
• Title: RADA: Region-Aware Dual-encoder Auxiliary learning for Barely-supervised Medical Image Segmentation
• Title（参考訳）: RADA:領域対応デュアルエンコーダ補助学習
• Authors: Shuang Zeng, Boxu Xie, Lei Zhu, Xinliang Zhang, Jiakui Hu, Zhengjian Yao, Yuanwei Li, Yuxing Lu, Yanye Lu,
• Abstract要約: 希少な教師付き学習は,数個のラベル付きスライスをボリューム毎に使用することで,アノテーションの負担を軽減する。 本稿では,新しい領域認識型デュアルエンコーダ補助学習パイプラインであるRADを提案する。 このフレームワークは、画像レベルのきめ細かい視覚特徴とテキストレベルのセマンティックガイダンスを組み合わせることで、地域対応のセマンティックインスペクションを提供する。
• 参考スコア（独自算出の注目度）: 33.17607546116405
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning has greatly advanced medical image segmentation, but its success relies heavily on fully supervised learning, which requires dense annotations that are costly and time-consuming for 3D volumetric scans. Barely-supervised learning reduces annotation burden by using only a few labeled slices per volume. Existing methods typically propagate sparse annotations to unlabeled slices through geometric continuity to generate pseudo-labels, but this strategy lacks semantic understanding, often resulting in low-quality pseudo-labels. Furthermore, medical image segmentation is inherently a pixel-level visual understanding task, where accuracy fundamentally depends on the quality of local, fine-grained visual features. Inspired by this, we propose RADA, a novel Region-Aware Dual-encoder Auxiliary learning pipeline which introduces a dual-encoder framework pre-trained on Alpha-CLIP to extract fine-grained, region-specific visual features from the original images and limited annotations. The framework combines image-level fine-grained visual features with text-level semantic guidance, providing region-aware semantic supervision that bridges image-level semantics and pixel-level segmentation. Integrated into a triple-view training framework, RADA achieves SOTA performance under extremely sparse annotation settings on LA2018, KiTS19 and LiTS, demonstrating robust generalization across diverse datasets.
• Abstract（参考訳）: 深層学習は医用画像のセグメンテーションを大幅に進歩させたが、その成功は完全な教師付き学習に大きく依存している。 希少な教師付き学習は,数個のラベル付きスライスをボリューム毎に使用することで,アノテーションの負担を軽減する。 既存の手法は、通常、擬似ラベルを生成するために幾何学的連続性を通じてスパースアノテーションを非標識スライスに伝播するが、この戦略は意味的理解に欠け、しばしば低品質な擬似ラベルをもたらす。 さらに、医用画像のセグメンテーションは本質的にピクセルレベルの視覚的理解タスクであり、精度は局所的、きめ細かい視覚的特徴の品質に大きく依存する。 そこで本研究では,Alpha-CLIPで事前トレーニングされたデュアルエンコーダフレームワークを導入し,元の画像から細粒度で領域固有の視覚的特徴を抽出し,アノテーションを限定した新しい領域認識型デュアルエンコーダ補助学習パイプラインであるRADを提案する。 このフレームワークは、画像レベルのきめ細かい視覚特徴とテキストレベルのセマンティックガイダンスを組み合わせることで、画像レベルのセマンティクスとピクセルレベルのセマンティクスをブリッジする、地域対応のセマンティクス管理を提供する。 RADAはトリプルビュートレーニングフレームワークに統合され、LA2018、KiTS19、LiTSの極めてスムーズなアノテーション設定の下でSOTAのパフォーマンスを実現し、多様なデータセットをまたいだ堅牢な一般化を実証している。

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)
• SGTC: Semantic-Guided Triplet Co-training for Sparsely Annotated Semi-Supervised Medical Image Segmentation [12.168303995947795]
  本稿では,セマンティックガイド三重項協調学習フレームワークを提案する。 数個のボリュームサンプルの3つのスライスに注釈を付けるだけで、ハイエンドな医用画像セグメンテーションを実現する。 本手法は,スパースアノテーション設定下において,最先端の半教師付き手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-20T03:31:33Z)
• Volumetric Medical Image Segmentation via Scribble Annotations and Shape Priors [3.774643767869751]
  本稿では,3次元異方性画像セグメント化に取り組むスクリブルベースボリューム画像セグメント化Scribble2D5を提案する。 これを実現するために,提案するラベル伝搬モジュールを用いて2.5D注目UNetを拡張し,スクリブルからのセマンティック情報を拡張する。 また,未ペアセグメント化マスクの形状事前情報を組み込んだオプションアドオンコンポーネントを提案し,モデル精度をさらに向上する。
  論文  参考訳（メタデータ） (2023-10-12T07:17:14Z)
• Scribble-based 3D Multiple Abdominal Organ Segmentation via Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency [20.371144313009122]
  そこで本研究では,CTからスクリブル制御された多発性腹部臓器分節に対する2つの整合性制約を有する新しい3Dフレームワークを提案する。 より安定した教師なし学習のために、voxel-wiseの不確実性を用いて、ソフトな擬似ラベルを修正し、各デコーダの出力を監督する。 公開WORDデータセットの実験により,本手法は既存の5つのスクリブル教師付き手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） (2023-09-18T12:50:58Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Vessel-CAPTCHA: an efficient learning framework for vessel annotation and segmentation [4.234945298751737]
  3次元脳血管画像分割のためのディープラーニング技術の使用は、他の臓器や組織のセグメンテーションほど広くは普及していない。 アノテーション効率のよい深層学習容器セグメンテーションフレームワークを提案する。 このフレームワークは最先端の精度を実現し、学習ベースのセグメンテーションメソッドに関して最大80%のアノテーション時間を短縮します。
  論文  参考訳（メタデータ） (2021-01-22T20:29:23Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)

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。