論文の概要: Dataset-Aware Cold-Start Active Learning for Annotation-Efficient 3D Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2606.20765v1
- Date: Thu, 18 Jun 2026 12:10:04 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-06-23 11:30:41.975987
- Title: Dataset-Aware Cold-Start Active Learning for Annotation-Efficient 3D Medical Image Segmentation
- Title（参考訳）: アノテーション効率のよい3次元医用画像セグメンテーションのためのデータセット対応コールドスタートアクティブラーニング
- Authors: Rémi Hattat, Marine Beaumont, Charline Bertholdt, Gabriela Hossu, Olivier Morel, Bailiang Chen,
- Abstract要約: 本稿では,未ラベルデータセットの構造に初期サンプル選択を適用するCurriculum-Stratified Cold-Startフレームワークを提案する。
CSCSはBraTS, FeTA, Spleen, および社内MRIデータセットの4つの3次元医用画像セグメンテーションベンチマークで評価した。
- 参考スコア（独自算出の注目度）: 0.9082139660293135
- License:
- Abstract: Deep learning for 3D medical image segmentation requires extensive manual annotations, a major bottleneck in volumetric medical imaging. Active learning aims to reduce this burden by selecting informative samples for annotation, but most methods assume that an initial labeled set is already available. This leaves the cold-start problem largely unresolved: how to select the first volumes from a fully unlabeled pool before any task-specific model is trained. We propose CSCS, a Curriculum-Stratified Cold-Start framework that adapts initial sample selection to the structure of the unlabeled dataset. CSCS combines two self-supervised, label-free signals: local typicality, measuring representativeness in the embedding space, and reconstruction-based uncertainty, used as a proxy for sample difficulty. These signals are combined through a weighted geometric score, where the weighting is determined by a closed-form pacing rule based on the effective annotation budget and the Difficulty-Coverage Ratio, a pool-level statistic measuring the alignment between difficulty and representativeness. We evaluate CSCS on four 3D medical image segmentation benchmarks: BraTS, FeTA, Spleen, and an in-house fetal MRI dataset. Using nnU-Net as downstream segmentation model, CSCS shows consistently competitive performance across datasets and annotation budgets, with the strongest gains in low-to-mid annotation regimes. These results suggest that dataset-aware cold-start initialization can improve the robustness of active learning for 3D medical image segmentation by adapting sample selection to the geometry of the unlabeled pool.
- Abstract（参考訳）: 3次元医用画像セグメンテーションのための深層学習には広範囲な手動アノテーションが必要である。
アクティブラーニングは、アノテーションのインフォメーションサンプルを選択することで、この負担を軽減することを目的としているが、ほとんどのメソッドは、初期ラベル付きセットが既に利用可能であると仮定している。
これは、タスク固有のモデルがトレーニングされる前に、完全にラベル付けされていないプールから最初のボリュームを選択する方法である。
CSCS(Curriculum-Stratified Cold-Start framework)を提案する。
CSCSは、局所的な典型性、埋め込み空間における代表性の測定、サンプル困難のプロキシとして使用される再構成に基づく不確実性という、2つの自己制御されたラベルなし信号を組み合わせている。
これらの信号は重み付き幾何スコアによって結合され、有効アノテーション予算と難易度と代表性との整合性を測定するプールレベルの統計量であるDifficulty-Coverage Ratioに基づいて重み付けを決定する。
CSCSはBraTS, FeTA, Spleen, および社内MRIデータセットの4つの3次元医用画像セグメンテーションベンチマークで評価した。
下流セグメンテーションモデルとしてnnU-Netを使用することで、CSCSは、データセットとアノテーション予算の間で一貫して競争力のあるパフォーマンスを示し、低中間のアノテーションレジームでは最大の利益を上げている。
これらの結果から,データセットを意識したコールドスタート初期化は,未ラベルプールの形状にサンプル選択を適用することにより,3次元医用画像セグメンテーションにおけるアクティブラーニングの堅牢性を向上させることが示唆された。
関連論文リスト
- SingleStrip: learning skull-stripping from a single labeled example [1.54032564881154]
ドメインランダム化と自己学習を用いて3次元頭蓋骨切断ネットワークを訓練する。
ネットワークを微調整するために上位の擬似ラベルを選択する。
この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
論文 参考訳（メタデータ） (2025-08-14T09:05:19Z) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical
Image Segmentation [10.80144764655265]
アクティブラーニング(AL)は効率的なアノテーションのための有望なソリューションであるが、アクティブセレクションを開始するにはラベル付きサンプルの初期セットが必要である。
これはコールドスタートALとしても知られており、前述したデータにアクセスせずに専門家からアノテーションを要求できる機会は1つだけである。
COSALというベンチマークを公開医療宣言収集から5つの3次元医療セグメンテーションタスクについて,コールドスタートAL戦略を6つ評価し,その評価を行った。
論文 参考訳（メタデータ） (2023-07-22T07:19:15Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳（メタデータ） (2023-07-13T08:27:09Z) - MIS-FM: 3D Medical Image Segmentation using Foundation Models Pretrained
on a Large-Scale Unannotated Dataset [14.823114726604853]
本稿では,3次元セグメンテーションモデルを事前学習するための,VF(Volume Fusion)と呼ばれる新たな自己教師型学習戦略を提案する。
VFは、手動のアノテーションなしで自己教師付きセグメンテーションタスクとして定式化される各ボクセルの融合係数を予測するようモデルを強制する。
頭部, 頸部臓器, 胸部, 腹部臓器など, 下流領域の異なる部位を対象とする実験により, 我々の事前訓練モデルがスクラッチからトレーニングに優れていたことが判明した。
論文 参考訳（メタデータ） (2023-06-29T13:22:13Z) - PA-Seg: Learning from Point Annotations for 3D Medical Image
Segmentation using Contextual Regularization and Cross Knowledge Distillation [14.412073730567137]
本稿では,3次元医用画像の7点のみのセグメンテーションターゲットに注釈を付け,弱教師付き学習フレームワークPA-Segを設計する。
第1段階では、より監督的な信号を提供するために、シードポイントを拡張するために測地距離変換を用いる。
第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
論文 参考訳（メタデータ） (2022-08-11T07:00:33Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。