論文の概要: SemiGDA: Generative Dual-distribution Alignment for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.23274v1
• Date: Sat, 25 Apr 2026 12:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.242915
• Title: SemiGDA: Generative Dual-distribution Alignment for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: SemiGDA:半監督医用画像分割のための生成二重分布アライメント
• Authors: Kaiwen Huang, Yi Zhou, Yizhe Zhang, Jingxiong Li, Tao Zhou,
• Abstract要約: SemiGDAは、半教師付き医療画像セグメンテーションのための生成デュアル配信アライメントフレームワークである。 本手法は他の最先端の半教師付きセグメンテーション法よりも優れている。
• 参考スコア（独自算出の注目度）: 14.457064982985566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning addresses label scarcity and high annotation costs in medical image segmentation by exploiting the latent information in unlabeled data to enhance model performance. Traditional discriminative segmentation relies on segmentation masks, neglecting feature-level distribution constraints. This limits robust semantic representation learning and adaptive modeling of unlabeled data in scenarios with few labels. To address these limitations, we propose SemiGDA, a novel Generative Dual-distribution Alignment framework for semi-supervised medical image segmentation. Our SemiGDA overcomes the reliance of discriminative methods on large labeled datasets by aligning feature and semantic distributions to boost semantic learning and scene adaptability. Specifically, we propose a Dual-distribution Alignment Module (DAM), which employs two structurally distinct encoders to model image and mask feature distributions. It enforces their alignment in the latent space via distributional constraints, establishing structured feature consistency. Moreover, we design a Consistency-Driven Skip Adapter (CDSA) strategy, which introduces dual skip adapters (Image and Mask) to fuse multi-scale features via skip connections. Using a consistency loss, CDSA enhances cross-branch semantic alignment and reinforces fine-grained semantic consistency. Experimental results on diverse medical datasets show that our method outperforms other state-of-the-art semi-supervised segmentation methods. Code is released at: https://github.com/taozh2017/SemiGDA.
• Abstract（参考訳）: 半教師付き学習は、ラベルなしデータの潜伏情報を利用して、医用画像セグメンテーションにおけるラベルの不足と高アノテーションコストに対処し、モデル性能を向上する。 伝統的な差別的セグメンテーションは、特徴レベルの分布制約を無視して、セグメンテーションマスクに依存している。 これにより、ラベルの少ないシナリオにおいて、ロバストな意味表現学習とラベルなしデータの適応的モデリングが制限される。 これらの制約に対処するために,半教師付き医用画像分割のための新しい生成デュアル配信アライメントフレームワークであるSemiGDAを提案する。 セマンティック学習とシーン適応性を高めるために特徴と意味分布を整列させることにより,大規模ラベル付きデータセットに対する差別的手法の信頼性を克服する。 具体的には、2つの構造的に異なるエンコーダを用いて画像とマスクの特徴分布をモデル化するDAM(Dual-Distribution Alignment Module)を提案する。 分散制約を通した潜在空間でのアライメントを強制し、構造的特徴整合を確立する。 さらに,2つのスキップアダプタ(画像とマスク)を導入し,スキップ接続を介してマルチスケール機能を融合する,一貫性駆動型スキップアダプタ(CDSA)戦略を設計する。 一貫性損失を用いることで、CDSAはクロスブランチセマンティックアライメントを強化し、きめ細かいセマンティックアライメントを強化する。 種々の医学データセットを用いた実験結果から,本手法は他の最先端の半教師付きセグメンテーション法よりも優れた性能を示した。 コードはhttps://github.com/taozh2017/SemiGDA.comで公開されている。

関連論文リスト

• Dual Cross-image Semantic Consistency with Self-aware Pseudo Labeling for Semi-supervised Medical Image Segmentation [14.93815368545141]
  半教師付き学習は、医学画像セグメンテーションにおける限られたラベル付きトレーニングデータの課題に取り組むのに非常に効果的であることが証明されている。 半教師型医用画像分割のための新しいアンダーラインDual underlineimage underlineSemantic underlineConsistency(DuCiSC)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-29T02:26:56Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割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） (2024-09-08T15:02:25Z)
• Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
  部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。 本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。 提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-09-05T03:55:37Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Inherent Consistent Learning for Accurate Semi-supervised Medical Image Segmentation [30.06702813637713]
  頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。 提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-24T17:38:03Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
  本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。 本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。 当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
  論文  参考訳（メタデータ） (2020-09-09T17:49:21Z)

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。