論文の概要: H-SemiS: Hierarchical Fusion of Semi and Self-Supervised Learning for Knee Osteoarthritis Severity Grading
- arxiv url: http://arxiv.org/abs/2604.23335v1
- Date: Sat, 25 Apr 2026 14:43:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.277305
- Title: H-SemiS: Hierarchical Fusion of Semi and Self-Supervised Learning for Knee Osteoarthritis Severity Grading
- Title（参考訳）: H-SemiS : 重症膝関節症に対する半・自己監督学習の階層的融合
- Abstract要約: 膝関節症 (KOA) は変形性関節疾患であり、慢性的な痛み、移動性低下、長期障害を引き起こす。
現在の手法は大きなラベル付きデータセットに大きく依存しており、クラス不均衡、ノイズサンプル、臨床アノテーションの多様性に敏感である。
膝X線検査におけるKOA重症度評価のための半監督フレームワークと自己スーパービジョン(H-SemiS)の階層融合を提案する。
- 参考スコア（独自算出の注目度）: 2.9909120539879797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knee osteoarthritis (KOA) is a degenerative joint disease that can lead to chronic pain, reduced mobility, and long-term disability. Automated severity grading from knee radiographs can support early assessment, but current methods heavily depend on large labeled datasets and remain sensitive to class imbalance, noisy samples, and variability in clinical annotations. To alleviate these limitations, we propose a Hierarchical fusion of Semi-Supervised framework with Self-Supervision (H-SemiS) for KOA severity grading in knee X-ray samples using limited annotated data. Rather than treating severity grading as a flat multi-class problem, H-SemiS decomposes the task into a sequence of binary sub-tasks within a semi-supervised teacher-student architecture, directly mitigating the impact of class imbalance. To further enhance feature learning from unlabeled data, the framework integrates an adversarial self-supervised reconstruction module that encourages the network to capture robust anatomical structures. In parallel, a teacher-student design with quantum-inspired feature mixing improves discrimination boundaries between adjacent grades when pseudo-labels are noisy. We comprehensively evaluate H-SemiS on two challenging multi-class datasets and assess its generalizability on two binary-class datasets. Our experimental results demonstrate the superiority of the proposed H-SemiS framework across multiple evaluation metrics, consistently outperforming several competing baselines and state-of-the-art methods. The code is publicly available at https://github.com/chandravardhan-singh-raghaw/H-SemiS.
- Abstract（参考訳）: 膝関節症 (KOA) は変形性関節疾患であり、慢性的な痛み、移動性低下、長期障害を引き起こす。
膝X線写真から得られた重症度の自動評価は早期評価をサポートするが、現在の手法は大きなラベル付きデータセットに大きく依存し、クラス不均衡、ノイズサンプル、臨床アノテーションの多様性に敏感である。
これらの制約を緩和するため, 膝X線サンプルにおけるSemi-Supervised frameworkとSelf-Supervision (H-SemiS) の階層的融合を提案する。
重度グレーディングをフラットなマルチクラス問題として扱う代わりに、H-SemiSは、タスクを半教師付き教師学生アーキテクチャ内のバイナリサブタスクのシーケンスに分解し、クラス不均衡の影響を直接緩和する。
ラベルのないデータからの特徴学習をさらに強化するため、このフレームワークは、ネットワークが堅牢な解剖学的構造を捕捉することを奨励する対向的な自己教師型再構築モジュールを統合している。
並列的に、量子インスパイアされた特徴混合を用いた教師学生設計は、擬似ラベルがうるさい場合には、隣接グレード間の識別境界を改善する。
我々はH-SemiSを2つの挑戦的マルチクラスデータセットで包括的に評価し、2つのバイナリクラスデータセット上での一般化可能性を評価する。
実験の結果,提案するH-SemiSフレームワークは複数の評価指標にまたがって優れており,競合するベースラインや最先端手法よりも一貫して優れていた。
コードはhttps://github.com/chandravardhan-singh-raghaw/H-SemiSで公開されている。
関連論文リスト
- Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels [0.2538209532048867]
変形性膝関節症 (OA) の評価には, 粗い2進度OA判定と細粒度Kelgren-Lawrence(KL)重症度が関与する。
本稿では,階層的監督の探究として,共有エンコーダと2つのタスク固有ヘッドを備えた,意図的に単純な二重ヘッドモデルを提案する。
以上の結果より, 両頭部管理は背骨依存性の利得を生じ, KL関連指標の改善が認められた。
論文 参考訳（メタデータ） (2026-05-01T15:07:14Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - 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) - An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data [0.30723404270319693]
本研究は膝OAの自動連続グルーピングのための3段階的アプローチを提案する。
正常度の中心までの距離に基づいて、健康な膝X線の堅牢な表現と疾患の重症度を学ぶ。
提案手法は,OA検出率において最大24%のマージンで既存の技術よりも優れており,疾患重症度スコアはKellgren-Lawrenceグレーティングシステムと人間専門家の成績と同等のレベルで相関している。
論文 参考訳（メタデータ） (2024-07-16T08:37:33Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Coherence Learning using Keypoint-based Pooling Network for Accurately
Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。
現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。
本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T19:59:13Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z) - A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects
Assessment with Dual-Consistency [40.67137486295487]
本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。
自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。
実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
論文 参考訳（メタデータ） (2020-05-19T04:47:25Z)
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。