論文の概要: ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision

• arxiv url: http://arxiv.org/abs/2605.06266v1
• Date: Thu, 07 May 2026 13:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.855809
• Title: ZScribbleSeg: A comprehensive segmentation framework with modeling of efficient annotation and maximization of scribble supervision
• Title（参考訳）: ZScribbleSeg: 効率的なアノテーションのモデリングとスクリブル監視の最大化を備えた包括的なセグメンテーションフレームワーク
• Authors: Ke Zhang, Bomin Wang, Hangqi Zhou, Xiahai Zhuang,
• Abstract要約: 本稿では, 優れたスクリブルアノテーションの原理を考察し, 教師とシミュレーションによる効率的なランダムネス形式を導出する。 本研究では,空間関係と形状制約を符号化する正規化項を導入し,EMアルゴリズムを用いてラベルの混合比を推定する。 我々は、ZScribbleSegと呼ばれるフレームワークに事前の効率的な監視を統合し、それを複数のシナリオに適用する。
• 参考スコア（独自算出の注目度）: 15.414625894259844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Curating fully annotated datasets for medical image segmentation is labour-intensive and expertise-demanding. To alleviate this problem, prior studies have explored scribble annotations for weakly supervised segmentation. Existing solutions mainly compute losses on annotated areas and generate pseudo labels by propagating annotations to adjacent regions. However, these methods often suffer from inaccurate and unrealistic segmentations due to insufficient supervision and incomplete shape information. In contrast, we first investigate the principle of good scribble annotations, which leads to efficient scribble forms via supervision maximization and randomness simulation. We further introduce regularization terms to encode the spatial relationship and the shape constraints, where the EM algorithm is utilized to estimate the mixture ratios of label classes. These ratios are critical in identifying the unlabeled pixels for each class and correcting erroneous predictions, thus the accurate estimation lays the foundation for the incorporation of spatial prior. Finally, we integrate the efficient scribble supervision with the prior into a framework, referred to as ZScribbleSeg, and apply it to multiple scenarios. Leveraging only scribble annotations, ZScribbleSeg achieves competitive performance on six segmentation tasks including ACDC, MSCMRseg, BTCV, MyoPS, Decathlon-BrainTumor and Decathlon-Prostate. Our code will be released via https://github.com/DLwbm123/ZScribbleSeg.
• Abstract（参考訳）: 医療画像のセグメンテーションのための完全な注釈付きデータセットのキュレーションは、労働集約的で専門知識が要求される。 この問題を緩和するために、先行研究は弱教師付きセグメンテーションのためのスクリブルアノテーションを探索してきた。 既存のソリューションは主に注釈付き領域の損失を計算し、隣接する領域にアノテーションを伝播することで擬似ラベルを生成する。 しかし、これらの手法は、不十分な監督と不完全な形状情報のために、不正確で非現実的なセグメンテーションに悩まされることが多い。 対照的に、我々はまず良いスクリブルアノテーションの原理を考察し、監督の最大化とランダムネスのシミュレーションによって効率的なスクリブル形式を生み出す。 さらに,空間関係と形状制約を符号化する正規化項を導入し,EMアルゴリズムを用いてラベルの混合比を推定する。 これらの比率は、各クラスのラベル付けされていないピクセルを識別し、誤った予測を補正するのに重要であるため、正確な推定は、空間的事前の取り込みの基礎となる。 最後に、効率的なスクリブル監視をZScribbleSegと呼ばれるフレームワークに統合し、それを複数のシナリオに適用する。 scribbleアノテーションのみを活用することで、ZScribbleSegは、ACDC、MSCMRseg、BTCV、MyoPS、Deathlon-BrainTumor、Deathlon-Prostateといった6つのセグメンテーションタスクで競合的なパフォーマンスを実現している。 私たちのコードはhttps://github.com/DLwbm123/ZScribbleSegを通じてリリースされます。

関連論文リスト

• PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation [5.862480696321742]
  スクリブルアノテーションによる弱教師付き学習では、小さなピクセルのサブセット上のセグメンテーションラベルを示すために、スパースユーザ描画ストロークを使用する。 医用画像セグメンテーションにおける近年のスクリブルベースアプローチは、擬似ラベルベーストレーニングを用いたこの制限に対処する。 信頼性と空間的整合性を改善する汎用的な擬似ラベル拡張戦略であるPLESSを提案する。
  論文  参考訳（メタデータ） (2026-02-12T06:24:05Z)
• Exploiting Inherent Class Label: Towards Robust Scribble Supervised Semantic Segmentation [15.439883888976464]
  頑健なスクリブル教師付きセマンティックセマンティックセグメンテーションのためのクラス駆動型スクリブルプロモーションネットワークを提案する。 ネットワーク内では,ノイズラベルを緩和するローカライゼーション修正モジュールと,スクリブルアノテーションや擬似ラベルを取り巻く信頼性のある領域を識別する距離知覚モジュールを導入する。 提案手法は,既存の手法よりも優れていることを示すとともに,精度と堅牢性の両方において競争性能を示す。
  論文  参考訳（メタデータ） (2025-03-18T04:43:07Z)
• Approximate Size Targets Are Sufficient for Accurate Semantic Segmentation [52.239136918460616]
  相対的なオブジェクトサイズ分布に近似するバイナリクラスタグを拡張することで、オフザシェルフアーキテクチャはセグメンテーション問題を解決することができる。 平均予測に対するゼロ回避KL偏差損失は、標準画素精度の監督に匹敵するセグメンテーション精度を生成する。 我々のアイデアはPASCAL VOC上で、近似オブジェクトサイズの人間のアノテーションを用いて検証されている。
  論文  参考訳（メタデータ） (2025-03-10T06:02:13Z)
• Scribbles for All: Benchmarking Scribble Supervised Segmentation Across Datasets [51.74296438621836]
  Scribbles for Allは、スクリブルラベルに基づいて訓練されたセマンティックセグメンテーションのためのラベルおよびトレーニングデータ生成アルゴリズムである。 弱い監督の源泉としてのスクリブルの主な制限は、スクリブルセグメンテーションのための挑戦的なデータセットの欠如である。 Scribbles for Allは、いくつかの人気のあるセグメンテーションデータセットのスクリブルラベルを提供し、密集したアノテーションを持つデータセットのスクリブルラベルを自動的に生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2024-08-22T15:29:08Z)
• Scribble Hides Class: Promoting Scribble-Based Weakly-Supervised Semantic Segmentation with Its Class Label [16.745019028033518]
  画像レベルのクラスから情報を得たスクリブルアノテーションと擬似ラベルと、監督のためのグローバルセマンティクスの両方を利用するクラス駆動型スクリブルプロモーションネットワークを提案する。 スクリブルアノテーションの異なる性質を持つScribbleSupデータセットの実験は、従来の手法よりも優れており、本手法の優位性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-02-27T14:51:56Z)
• ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation [16.188681108101196]
  弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。 既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。 空間的関係と形状を事前にエンコードする正規化項を導入する。 我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
  論文  参考訳（メタデータ） (2023-01-12T09:00:40Z)
• Latent Graph Representations for Critical View of Safety Assessment [2.9724186623561435]
  CVS予測の手法として,まず乱れのあるシーングラフを用いて手術画像の表現を行い,その表現をグラフニューラルネットワークを用いて処理する手法を提案する。 我々のグラフ表現は、意味情報を明示的に符号化し、解剖学的推論を改善するとともに、視覚的特徴を識別可能性を維持し、意味的誤りに対する堅牢性を提供する。 本手法は,ボックスアノテーションのトレーニングにおいて,複数のベースラインメソッドよりも優れるだけでなく,セグメンテーションマスクのトレーニング時にも効果的にスケールし,最先端のパフォーマンスを維持していることを示す。
  論文  参考訳（メタデータ） (2022-12-08T09:21:09Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Affinity Attention Graph Neural Network for Weakly Supervised Semantic Segmentation [86.44301443789763]
  弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。 提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-08T02:19:21Z)
• Context-self contrastive pretraining for crop type semantic segmentation [39.81074867563505]
  提案したContext-Self Contrastive Loss (CSCL)は、セマンティックバウンダリをポップアップさせる埋め込み空間を学習する。 衛星画像時系列(SITS)からの作物型セマンティックセマンティックセグメンテーションでは,サテライト境界における性能が重要なボトルネックとなる。 より粒度の高い作物のクラスを得るための超解像における意味的セグメンテーションのプロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-09T11:29:44Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。