論文の概要: SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation
- arxiv url: http://arxiv.org/abs/2605.27032v1
- Date: Tue, 26 May 2026 13:53:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:42.200159
- Title: SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation
- Title（参考訳）: SCKAN:セミスーパービジョン膵分画のための構造的コンセンサスに基づくカンプロトタイプ学習
- Authors: Yuqi Liu, Yufei Chen, Wei Fu, Xiaodong Yue, Shuo Li,
- Abstract要約: 我々は,コンセンサスをベースとしたkan Prototype Learning (SCKAN) を提案し,Kolmogorov-Arnold Networks (KANs) による最初のクロスサンプル構造コンセンサス学習を構築する。
SCKANには、構造制約付きプロトタイプ一貫性学習(SPCL)とコンセンサスベースのコルモゴロフ・アルノルド核融合(CKaF)の2つの重要な設計が含まれている。
2つのパブリック膵臓データセットの実験は、SCKANの有効性を実証している。
- 参考スコア（独自算出の注目度）: 17.84766031310703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate pancreas segmentation is critical for early cancer diagnosis, where annotation scarcity necessitates Semi-Supervised Learning (SSL). However, due to significant inter-sample morphological variability, existing SSL methods face severe generalizability limitations under sparse supervision, leading to the Supervision Bias problem. To address this, we propose Structural Consensus-based KAN Prototype Learning (SCKAN), which constructs the first cross-sample structural consensus learning with Kolmogorov-Arnold Networks (KANs), to achieve more generalizable and accurate segmentation. Specifically, SCKAN contains two key designs: Structure-constrained Prototype Consistency Learning (SPCL), which prompts unbiased structural representation by enforcing cross-sample consistency via prototype-level contrastive optimization, and Consensus-based Kolmogorov-Arnold Fusion (CKaF), which reduces morphology-specific bias by aggregating stable consensus and filtering sample-wise noise via KAN's adaptive B-spline nonlinearity. Extensive experiments on two public pancreas datasets demonstrate the effectiveness of SCKAN. Code is at https://github.com/rhodaliu17/SCKAN.
- Abstract（参考訳）: 早期癌診断には正確な膵分画が重要であり,アノテーションの不足はセミ・スーパーバイザード・ラーニング(SSL)を必要とする。
しかし、サンプル間モルフォロジーの変動が著しいため、既存のSSLメソッドはスパース監督下で深刻な一般化可能性の制限に直面し、スーパービジョンバイアス問題に繋がった。
そこで本稿では,Kolmogorov-Arnold Networks (KAN) による最初のクロスサンプル構造コンセンサス学習を構築し,より汎用的で正確なセグメンテーションを実現する構造コンセンサスに基づくkan Prototype Learning (SCKAN)を提案する。
具体的には、SCKANは2つの重要な設計を含む: 構造制約付きプロトタイプ整合性学習(SPCL)は、プロトタイプレベルのコントラスト最適化によるクロスサンプル整合性を強制することによって非バイアス構造表現を誘導し、コンセンサスを基盤とするコルモゴロフ・アルノルド融合(CKaF)は、安定したコンセンサスを集約し、カンの適応的B-スプライン非線形性を介してサンプルワイドノイズをフィルタリングすることで、モルフォロジー固有のバイアスを低減する。
2つのパブリック膵臓データセットに対する大規模な実験は、SCKANの有効性を実証している。
コードはhttps://github.com/rhodaliu17/SCKANにある。
関連論文リスト
- scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - Efficient Chest X-ray Representation Learning via Semantic-Partitioned Contrastive Learning [0.7901604416781479]
自己教師付き学習(SSL)は,Chest X-ray(CXR)分析のための強力なパラダイムとして,限定アノテーションの下で登場した。
マスク付き画像モデリングは、診断値に制限のある高周波背景の詳細を再構成するために、かなりの計算を割り当てる。
CXR表現学習に適した効率的な事前学習フレームワークであるSemantic-Partitioned Contrastive Learning (S-PCL)を紹介する。
論文 参考訳（メタデータ） (2026-03-07T08:52:23Z) - Clinically-aligned ischemic stroke segmentation and ASPECTS scoring on NCCT imaging using a slice-gated loss on foundation representations [3.186130813218338]
ほとんどのディープラーニング手法は、ASPECTSスコアの基盤となる構造的解剖学的推論をモデル化することなく、ピクセルワイズセグメンテーションを行う。
本稿では,凍結したDINOv3バックボーンと軽量デコーダを組み合わせた臨床的に整合したフレームワークを提案する。
提案手法は,AISDにおけるDiceスコア0.6385を達成し,CNNや基礎モデルベースラインよりも優れていた。
論文 参考訳（メタデータ） (2026-02-27T12:12:24Z) - ABFR-KAN: Kolmogorov-Arnold Networks for Functional Brain Analysis [0.790660895390689]
機能的接続性(FC)分析は、コンピュータ支援脳疾患の診断に有用なツールである。
本稿では,新しい脳機能表現要素を組み込んだトランスフォーマーに基づく分類ネットワークであるABFR-KANを提案する。
ABIDE Iデータセットの実験では、ABFR-KANはASD分類の最先端ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-01-01T18:10:11Z) - 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) - Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。
我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。
原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
論文 参考訳（メタデータ） (2025-09-16T17:24:35Z) - Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。
既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
論文 参考訳（メタデータ） (2025-02-15T19:10:35Z) - Leveraging CORAL-Correlation Consistency Network for Semi-Supervised Left Atrium MRI Segmentation [14.296441810235223]
半教師付き学習(SSL)は、ラベル付き画像とラベルなし画像の両方から学習するために広く使われている。
現在のSSLベースのセグメンテーションメソッドの多くは、ラベル付きデータとラベルなしデータの類似した特徴を識別するためにピクセル値を直接使用する。
我々は,グローバルな構造形状と左房の局所的詳細を捉えるために,CORAL(Correlation-Aligned)-Correlation Consistency Network (CORN)を導入した。
論文 参考訳（メタデータ） (2024-10-21T11:46:28Z) - 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) - Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。
本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文 参考訳（メタデータ） (2022-05-17T01:41:06Z)
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。