論文の概要: Quality-Guided Semi-Supervised Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.01753v1
• Date: Mon, 01 Jun 2026 06:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.4121
• Title: Quality-Guided Semi-Supervised Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのための品質ガイド付き半教師付き学習
• Authors: Kumar Abhishek, Ghassan Hamarneh,
• Abstract要約: 正確な医用画像セグメンテーションモデルの訓練には、大量の高密度の注釈付きデータが必要である。 半教師付き学習(SSL)は、豊富なラベル付きデータと限定ラベル付きデータの両方から学習することでこれを緩和する。 画像とマスクのペアからセグメンテーション品質を推定するために,専用ネットワークをトレーニングする品質誘導型SSLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.64743678301535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training accurate medical image segmentation models requires large amounts of densely annotated data, which is costly and time-consuming to obtain. Semi-supervised learning (SSL) alleviates this by learning from both abundant unlabeled data and limited labeled data. However, most modern SSL methods rely on pseudolabels for unlabeled data, and typically assess their reliability through model confidence or uncertainty, measures that are self-referential and lack explicit grounding in segmentation quality. Instead, we propose a quality-guided SSL framework that trains a dedicated network to estimate segmentation quality from image-mask pairs. The predictor is trained on variable-quality masks generated through synthetic corruptions augmented with imperfect outputs from partially trained segmentation models, capturing realistic error patterns encountered during training. We integrate the quality predictor into SSL through two complementary mechanisms: a quality-aware regularization loss and a quality-based pseudolabel sample reweighting scheme. We show that our method serves as a drop-in enhancement to existing SSL frameworks. Extensive experiments across five datasets and multiple architectures demonstrate consistent improvements over competing SSL methods, advancing the state-of-the-art in semi-supervised medical image segmentation.
• Abstract（参考訳）: 正確な医用画像セグメンテーションモデルの訓練には、大量の高密度な注釈付きデータが必要である。 半教師付き学習(SSL)は、豊富なラベル付きデータと限定ラベル付きデータの両方から学習することでこれを緩和する。 しかし、現代のSSLメソッドの多くは、ラベルのないデータに対して擬似ラベルを頼りにしており、モデルの信頼性や不確実性を通じて信頼性を評価している。 代わりに、イメージマスク対からセグメンテーション品質を推定するために専用ネットワークをトレーニングする品質誘導型SSLフレームワークを提案する。 予測器は、部分的に訓練されたセグメンテーションモデルから不完全な出力を付加した合成汚損によって生成される変動品質マスクに基づいて訓練され、トレーニング中に発生する現実的なエラーパターンをキャプチャする。 我々は、品質認識正則化損失と品質ベース擬似ラベルサンプル再重み付け方式の2つの相補的なメカニズムにより、品質予測器をSSLに統合する。 提案手法は,既存のSSLフレームワークのドロップイン拡張として有効であることを示す。 5つのデータセットと複数のアーキテクチャにわたる大規模な実験は、競合するSSLメソッドよりも一貫した改善を示し、半教師付き医療画像セグメンテーションの最先端を推し進めている。

関連論文リスト

• CalibrateMix: Guided-Mixup Calibration of Image Semi-Supervised Models [49.588973929678765]
  CalibrateMixは、SSLモデルのキャリブレーションを改善することを目的とした、ミックスアップベースのアプローチである。 提案手法は,既存のSSL手法と比較して,期待校正誤差(ECE)の低減と精度の向上を実現している。
  論文  参考訳（メタデータ） (2025-11-17T04:43:53Z)
• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Dual Invariance Self-training for Reliable Semi-supervised Surgical Phase Recognition [5.7977777220041204]
  半教師付き学習、特に擬似ラベル学習は、完全な教師付き手法よりも有望であるが、しばしば信頼できる擬似ラベル評価機構を欠いている。 本稿では,時間的不変性と変換的不変性を組み合わせた新しいSSLフレームワークDISTを提案する。 我々の2段階の自己学習プロセスは、信頼できる擬似ラベルを動的に選択し、堅牢な擬似スーパービジョンを保証する。 提案手法は、ノイズの多い擬似ラベルのリスクを軽減し、決定境界を真のデータ分布に向け、未知のデータへの一般化を改善する。
  論文  参考訳（メタデータ） (2025-01-29T13:07:56Z)
• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Robust Semi-Supervised Learning for Histopathology Images through Self-Supervision Guided Out-of-Distribution Scoring [1.8558180119033003]
  本稿では,デジタルヒストロジー画像におけるオープンセット型教師あり学習課題に対処するための新しいパイプラインを提案する。 我々のパイプラインは、自己教師付き学習に基づいて、各未ラベルデータポイントのOODスコアを効率的に推定する。 我々のフレームワークはどんなセミSLフレームワークとも互換性があり、我々の実験は人気のあるMixmatchセミSLフレームワークに基づいています。
  論文  参考訳（メタデータ） (2023-03-17T12:38:28Z)
• Data-Limited Tissue Segmentation using Inpainting-Based Self-Supervised Learning [3.7931881761831328]
  プレテキストタスクを含む自己教師付き学習(SSL)メソッドは、ラベルなしデータを使用したモデルの最初の事前トレーニングによって、この要件を克服する可能性を示している。 ラベル限定シナリオにおけるCTとMRI画像のセグメンテーションにおける2つのSSL手法の有効性を評価する。 最適に訓練され,実装が容易なSSLセグメンテーションモデルは,ラベル制限シナリオにおけるMRIおよびCT組織セグメンテーションの古典的な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T16:34:05Z)
• Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
  3DUSにおける楽器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を提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
  論文  参考訳（メタデータ） (2021-07-30T07:59:45Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。