論文の概要: Embracing Intra-Class Heterogeneity for Semi-Supervised Medical Image Segmentation: From Diversity to Precision

• arxiv url: http://arxiv.org/abs/2607.02051v1
• Date: Thu, 02 Jul 2026 11:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.813739
• Title: Embracing Intra-Class Heterogeneity for Semi-Supervised Medical Image Segmentation: From Diversity to Precision
• Title（参考訳）: 半監督型医用画像分割のためのクラス内不均一性の導入:多様性から精度へ
• Abstract要約: 多様性と精度を向上したSSMISフレームワークであるMultiple Prototype Contrastive Learning (MPCL)を提案する。 まず、より優れた多様性を持つ構造表現を提供し、強度に整合した不均一なプロトタイプ生成(IHPG)を提案する。 第二に、プロトタイプ空間最適化(PSO)によるより精密なセグメンテーションのための基盤を構築する。 第3に、DKA(Dual-branch Knowledge Alignment)を用いて、より高精度なセグメンテーション結果を得る。
• 参考スコア（独自算出の注目度）: 17.84766031310703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the scarcity of expert-annotated data, Semi-Supervised Medical Image Segmentation (SSMIS) has emerged as a promising approach. Many anatomical structures in medical images exhibit significant intra-class heterogeneity, with different regions showing heterogeneous intensity patterns within the same structure. However, existing methods inadequately exploit this intensity-manifested intra-class heterogeneity, resulting in uniform structural representations and imprecise segmentation. Furthermore, the scarcity of labeled data makes it more difficult to effectively capture such complex heterogeneity. To address this, we propose Multiple Prototype Contrastive Learning (MPCL), an SSMIS framework that possesses better diversity and better precision. It consists of three novel designs: First, we provide structural representations with better diversity and propose Intensity-aligned Heterogeneous Prototype Generation (IHPG) that effectively models intra-class heterogeneity by generating multiple prototypes aligned with intensity characteristics. Second, we further enhance more diverse structural representations and build a solid foundation for more precise segmentation through Prototypical Space Optimization (PSO) that systematically optimizes a more discriminative and generalizable prototypical space. Finally, we achieve segmentation results with better precision through Dual-branch Knowledge Alignment (DKA) that efficiently promotes intra-class heterogeneity knowledge transfer from prototypical space to the segmentation network. Extensive experiments on three medical image datasets with significant intra-class heterogeneity demonstrate that MPCL significantly outperforms existing methods, especially under extremely limited labeled data.
• Abstract（参考訳）: 専門家による注釈データが少ないため、Semi-Supervised Medical Image Segmentation (SSMIS) が有望なアプローチとして登場した。 医用画像における多くの解剖学的構造は、異なる領域で同じ構造内の不均一な強度パターンを示す、クラス内の顕著な不均一性を示す。 しかし、既存の手法では、この強度に富んだクラス内不均一性を不適切に利用し、均一な構造表現と不正確なセグメンテーションをもたらす。 さらに、ラベル付きデータの不足は、そのような複雑な不均一性を効果的に捉えるのを難しくする。 そこで本研究では,より優れた多様性と精度を有するSSMISフレームワークであるMultiple Prototype Contrastive Learning (MPCL)を提案する。 まず、より多様性の高い構造表現を提供し、強度特性に整合した複数のプロトタイプを生成することで、クラス内不均一性を効果的にモデル化するインテンシティ整合型不均一プロトタイプ生成(IHPG)を提案する。 第二に、より多様な構造表現をさらに強化し、より識別的で一般化可能な原型空間を体系的に最適化する原型空間最適化(PSO)により、より精密なセグメンテーションのための基盤を構築する。 最後に,DKA(Dual-branch Knowledge Alignment)を用いて,特徴空間からセグメンテーションネットワークへのクラス内不均一な知識伝達を効率的に促進するセグメンテーション結果を得る。 高いクラス内不均一性を有する3つの医用画像データセットに対する大規模な実験により、MPCLは既存の手法、特に非常に限定されたラベル付きデータよりも著しく優れていることが示された。

関連論文リスト

• 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)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation [17.25487101903999]
  病理組織学における弱制御セマンティックセグメンテーション(WSSS)は、クラス間同質性、クラス内異質性、CAM誘発領域収縮によって阻害される。 クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。 提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-05T17:59:16Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Multimodal Medical Endoscopic Image Analysis via Progressive Disentangle-aware Contrastive Learning [11.158864816564538]
  本稿では,Align-Disentangle-Fusion'機構に基づく,革新的な多モード表現学習フレームワークを提案する。 本手法は最先端のアプローチを一貫して上回り,様々な臨床シナリオにおいて高い精度を達成している。
  論文  参考訳（メタデータ） (2025-08-23T03:02:51Z)
• Semantic Segmentation of iPS Cells: Case Study on Model Complexity in Biomedical Imaging [0.0]
  We show that a carefullyconfiged DeepLabv3 model can achieved high performance in segmenting induced pluripotent stem (iPS) cell colony。 また、小さなデータセットとドメイン固有のエンコーディングの戦略を含むオープンソース実装も提供しています。
  論文  参考訳（メタデータ） (2025-07-29T09:05:01Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Harmonized Spatial and Spectral Learning for Robust and Generalized Medical Image Segmentation [5.3590650005818254]
  我々は、中級特徴と文脈的長距離依存を捉えるためのモデル能力を改善するために、革新的なスペクトル相関係数の目的を導入する。 実験によると、UNetやTransUNetのような既存のアーキテクチャでこの目的を最適化することで、一般化、解釈可能性、ノイズの堅牢性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-18T20:43:43Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)

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。