Fugu-MT 論文翻訳(概要): Mutual Distillation of Dual-Foundation Models for Semi-Supervised PET/CT Segmentation

論文の概要: Mutual Distillation of Dual-Foundation Models for Semi-Supervised PET/CT Segmentation

arxiv url: http://arxiv.org/abs/2606.15611v1
Date: Sun, 14 Jun 2026 05:34:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:33.753545
Title: Mutual Distillation of Dual-Foundation Models for Semi-Supervised PET/CT Segmentation
Title（参考訳）: セミスーパービジョンPET/CTセグメンテーションのための二重創製モデルの相互蒸留
Abstract要約: PET/CTの臓器分画は腫瘍学における定量的解析と放射線治療計画に重要である。半教師付き学習(SSL)は、ラベル付きデータに制限のあるディープモデルを開発するための実用的で効果的なソリューションを提供する。構造モデルと機能モデルの両方をシームレスに活用する相互蒸留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）: 8.784478648071547
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Organ segmentation from PET/CT is critical for quantitative analysis and radiotherapy planning in oncology. To ease the high annotation cost of PET/CT segmentation, semi-supervised learning (SSL) provides a practical and effective solution for developing deep models with limited labeled data. Recent developments in visual foundation models have demonstrated remarkable adaptability with improved efficiency. In this work, we propose a mutual distillation framework that seamlessly exploits both structural and functional foundation models, which act as modality-specific generalists for distilling knowledge from structural CT and metabolic PET imaging. By bridging the gap between the task-specific precision of student models and the segmentation priors of generalist foundation models, we propose \textbf{MuDuo}, a mutual distillation framework that synergistically leverages SAM-Med3D for CT and SegAnyPET for PET to distill their knowledge into a lightweight student network. Our approach eliminates the need for manual prompts while maximizing the utility of unlabeled data for automatic segmentation, achieving state-of-the-art performance on the AutoPET dataset with only 5 labeled cases. Our source code is available at https://github.com/Wu-beining/MuDuo.
Abstract（参考訳）: PET/CTの臓器分画は腫瘍学における定量的解析と放射線治療計画に重要である。 PET/CTセグメンテーションの高アノテーションコストを緩和するため、半教師付き学習(SSL)はラベル付きデータに制限のあるディープモデルを開発するための実用的で効果的なソリューションを提供する。近年の視覚基礎モデルの発展により, 適応性が顕著に向上し, 効率が向上した。本研究では, 構造CTとメタボリックPET画像から知識を抽出する手法として, 構造的基礎モデルと機能的基礎モデルの両方をシームレスに活用する相互蒸留フレームワークを提案する。学生モデルのタスク固有精度と一般基礎モデルのセグメンテーション先とのギャップを埋めることにより,PETのSAM-Med3DとSegAnyPETを相乗的に利用し,知識を軽量の学生ネットワークに抽出する相互蒸留フレームワークである「textbf{MuDuo}」を提案する。提案手法では,自動セグメンテーションのためのラベル付きデータの有用性を最大化しつつ,手動プロンプトの必要性を排除し,5つのラベル付きケースでAutoPETデータセットの最先端性能を実現する。ソースコードはhttps://github.com/Wu-beining/MuDuo.comで公開しています。

関連論文リスト

A Unified Vision-Language Model for PSMA PET/CT Report Generation, Visual Question Answering, and Lesion Segmentation [25.23021765603417]
報告生成,視覚的質問応答,病変分割のための統合PSMA PET/CT視覚モデルを提案する。このモデルではPET2とCT言語ベースラインを標準レポート生成指標で上回り、VQA質問タイプでのパフォーマンスを改善し、SegAnyPETやnnUNetよりもDiceと病変レベルの重複F1を達成した。
論文参考訳（メタデータ） (2026-09-14T14:02:43Z)
Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
論文参考訳（メタデータ） (2026-07-28T07:54:43Z)
An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation [9.922425508121012]
4つの公開データセットから4,997個のハーモナイズドスキャンを用いて,オープンソース,マルチセンター,全体FDG PET/CTファンデーションモデルを提案する。我々のフレームワークは、初期のチャネルワイド結合を伴う階層的なUNet型のバックボーンを用いており、解剖学的および代謝学的特徴の相互作用を可能にしている。オートマチック・オンコロジー・イメージングの進歩のための、堅牢でオープンソースの基盤を提供する。
論文参考訳（メタデータ） (2026-05-20T23:59:50Z)
Developing a PET/CT Foundation Model for Cross-Modal Anatomical and Functional Imaging [39.59895695500171]
FratMAE(Cross-Fraternal Twin Masked Autoencoder)は,全身解剖学的および機能的情報を効果的に統合する新しいフレームワークである。 FratMAEは複雑なクロスモーダル関係とグローバルな取り込みパターンをキャプチャし、下流タスクにおいて優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-03-04T17:49:07Z)
Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation? [70.38903555729081]
我々はAutoPET3データ中心のトラックで競合するアプローチについて述べる。 AutoPETIIIデータセットでは、データセット全体をトレーニングしたモデルが望ましくない特性を示す。我々は、スクラッチから再トレーニングする前に、モデル損失によって測定されたトレーニングデータセットから最も簡単なサンプルを取り除き、これを対処する。
論文参考訳（メタデータ） (2024-09-20T14:47:58Z)
From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文参考訳（メタデータ） (2024-09-14T16:39:17Z)
AutoPET Challenge: Tumour Synthesis for Data Augmentation [26.236831356731017]
我々は,CT画像のためのDiffTumor法を適用し,病変のあるPET-CT画像を生成する。提案手法では,AutoPETデータセット上で生成モデルをトレーニングし,トレーニングデータの拡張に使用する。以上の結果から,拡張データセットでトレーニングしたモデルでは,Diceスコアが向上し,データ拡張アプローチの可能性が示された。
論文参考訳（メタデータ） (2024-09-12T14:23:19Z)
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)
HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-07-07T01:50:25Z)
PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。提案手法は画像とテキストデータを融合して生成プロセスを強化する。我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文参考訳（メタデータ） (2023-09-01T22:08:32Z)
Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文参考訳（メタデータ） (2023-08-20T04:10:36Z)
Multimodal Interactive Lung Lesion Segmentation: A Framework for Annotating PET/CT Images based on Physiological and Anatomical Cues [16.159693927845975]
深層学習は、医療画像における様々な病気の正確なセグメンテーションを可能にした。しかしながら、これらのパフォーマンスは通常、大量の手動のボクセルアノテーションを必要とする。 PET/CTデータから解剖学と生理学の手がかりを組み合わせることで,これらの問題を緩和する多モード対話型セグメンテーションフレームワークを提案する。
論文参考訳（メタデータ） (2023-01-24T10:50:45Z)

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。