論文の概要: Weighted Knowledge Distillation for Semi-Supervised Segmentation of Maxillary Sinus in Panoramic X-ray Images

• arxiv url: http://arxiv.org/abs/2604.20213v1
• Date: Wed, 22 Apr 2026 06:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.983813
• Title: Weighted Knowledge Distillation for Semi-Supervised Segmentation of Maxillary Sinus in Panoramic X-ray Images
• Title（参考訳）: パノラマX線画像における上顎洞半監督分節に対する重み付き知識蒸留法
• Authors: Juha Park, Jiho Choi, Jong Pil Yun, Yong Chan Park, Han-Gyeol Yeom, Byung Do Lee, Sang Jun Lee,
• Abstract要約: パノラマX線画像における上顎洞の正確なセグメンテーションのための半教師付きフレームワークを提案する。 知識蒸留を用いて、教師モデルから抽出した信頼性の高い構造情報を学生モデルに訓練する。 ScientistCycle-GANは、未ペア画像から画像への変換に基づく精細化ネットワークである。
• 参考スコア（独自算出の注目度）: 18.248993883711496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of maxillary sinus in panoramic X-ray images is essential for dental diagnosis and surgical planning; however, this task remains relatively underexplored in dental imaging research. Structural overlap, ambiguous anatomical boundaries inherent to two-dimensional panoramic projections, and the limited availability of large scale clinical datasets with reliable pixel-level annotations make the development and evaluation of segmentation models challenging. To address these challenges, we propose a semi-supervised segmentation framework that effectively leverages both labeled and unlabeled panoramic radiographs, where knowledge distillation is utilized to train a student model with reliable structural information distilled from a teacher model. Specifically, we introduce a weighted knowledge distillation loss to suppress unreliable distillation signals caused by structural discrepancies between teacher and student predictions. To further enhance the quality of pseudo labels generated by the teacher network, we introduce SinusCycle-GAN which is a refinement network based on unpaired image-to-image translation. This refinement process improves the precision of boundaries and reduces noise propagation when learning from unlabeled data during semi-supervised training. To evaluate the proposed method, we collected clinical panoramic X-ray images from 2,511 patients, and experimental results demonstrate that the proposed method outperforms state-of-the-art segmentation models, achieving the Dice score of 96.35\% while reducing boundary error. The results indicate that the proposed semi-supervised framework provides robust and anatomically consistent segmentation performance under limited labeled data conditions, highlighting its potential for broader dental image analysis applications.
• Abstract（参考訳）: パノラマX線像における上顎洞の正確なセグメンテーションは, 歯科診断や外科的計画に不可欠である。 構造的重複, 二次元パノラマ投影に固有の曖昧な解剖学的境界, 信頼度の高い画素レベルのアノテーションを用いた大規模臨床データセットの限定的利用は, セグメンテーションモデルの開発と評価を困難にしている。 これらの課題に対処するために,教師モデルから抽出した信頼性の高い構造情報を用いて,知識蒸留を用いて学生モデルを訓練する,ラベル付きとラベルなしのパノラマ線写真の両方を効果的に活用する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。 具体的には,教師と学生の予測における構造的不一致に起因する信頼性の低い蒸留信号を抑えるために,知識蒸留損失の重み付けを導入する。 教師ネットワークが生成する擬似ラベルの品質をさらに高めるため,未ペア画像から画像への変換に基づく改良ネットワークであるSinusCycle-GANを導入する。 この改善プロセスは、半教師付きトレーニング中にラベルなしデータから学習する際、境界の精度を改善し、ノイズ伝搬を低減する。 提案手法を評価するために,2,511人の臨床パノラマX線画像を収集し,その実験結果から,境界誤差を低減しつつ,Diceスコア96.35\%を達成し,最先端のセグメンテーションモデルを上回る結果を得た。 提案した半教師付きフレームワークは, 限られたラベル付きデータ条件下での堅牢かつ解剖学的に一貫したセグメンテーション性能を提供し, より広範な歯科画像解析への応用の可能性を強調した。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Expert-Guided Explainable Few-Shot Learning for Medical Image Diagnosis [2.7946918847372277]
  本稿では,放射線技師が提案する関心領域をモデルトレーニングに統合する,専門家による説明可能な数ショット学習フレームワークを提案する。 我々は、BraTS(MRI)とVinDr-CXR(Chest X-ray)の2つの異なるデータセット上で、我々のフレームワークを評価する。 本研究は, 少数症例の医用画像診断において, 評価と解釈のギャップを埋めるために, 専門家が指導する注意指導を取り入れることの有効性を実証するものである。
  論文  参考訳（メタデータ） (2025-09-08T05:31:37Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• A Semi-Supervised Approach with Error Reflection for Echocardiography Segmentation [21.72866654935505]
  心エコー法による半教師付きセグメンテーションアーキテクチャの誤差反射戦略を提案する。 この戦略は、未ラベル画像セグメンテーションの不正確さをモデルに反映させ、擬似ラベル生成の堅牢性を高める。 また,ラベル付き画像とラベルなし画像間の経験的分布ギャップを最小限に抑えるため,マルチスケール混合戦略と呼ばれる効果的なデータ拡張戦略を導入する。
  論文  参考訳（メタデータ） (2024-12-01T07:35:09Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)

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。