論文の概要: Beyond Random Sampling: Distribution-Aware Alignment for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.04249v1
• Date: Sun, 05 Jul 2026 11:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.87641
• Title: Beyond Random Sampling: Distribution-Aware Alignment for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: ランダムサンプリングを超えて:半監督型医用画像分割のための分布認識アライメント
• Authors: Weihao Yan, Yeqiang Qian, Yi Dong, Ming Yang,
• Abstract要約: 半教師付き医療画像セグメンテーション(SSMIS)は、費用対効果のあるソリューションを提供するが、独立的で同一に分散されたデータ(すなわち、d.d.)の仮定の下で機能する。 この戦略は、低データ体制における厳しい表現バイアスに悩まされ、異種医療データ多様体の取得に失敗する。 分散アライメントによって駆動される高効率な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）: 14.677758755539337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise medical image segmentation is crucial for clinical diagnosis and treatment planning, yet relies heavily on expensive expert annotations. Semi-supervised medical image segmentation (SSMIS) offers a cost-effective solution but typically operates under the assumption of independent and identically distributed (i.i.d.) data, defaulting to random sampling. While statistically valid at scale, this strategy suffers from severe representation bias in low-data regimes, failing to capture the heterogeneous medical data manifold. To address this, we propose a highly data-efficient framework driven by distribution alignment. First, we introduce an offline Distribution-Aware Sample Selection strategy. By leveraging Vision Foundation Models (VFMs) and our designed Density-K-Center algorithm, we explicitly identify representative structural anchors, establishing a more representative labeled domain. Second, to bridge the remaining distribution gap, we propose the Memory-guided Copy-Paste (MCP) module. Tailored for the inherent class imbalance in medical scans, MCP leverages a semantic memory mechanism to retrieve historically consistent priors for cross-domain alignment, encouraging semantic consistency. Coupled with an easy-to-hard progressive schedule, this framework effectively mitigates early-stage pseudo-label noise. Extensive experiments on six diverse 2D and 3D datasets demonstrate strong segmentation performance, particularly in extremely low-labeled scenarios (\eg, 1/16 ratio).
• Abstract（参考訳）: 精密な医用画像分割は臨床診断と治療計画に不可欠であるが、高価な専門家のアノテーションに大きく依存している。 半教師付き医療画像セグメンテーション(SSMIS)はコスト効率のよいソリューションを提供するが、通常、独立で同一に分散されたデータ(すなわち、ランダムサンプリング)の仮定の下で運用される。 統計的には統計的に有効な戦略であるが、この戦略は低データ体制における厳密な表現バイアスに悩まされ、異種医療データ多様体の取得に失敗した。 そこで本研究では,分散アライメントによって駆動される高効率なフレームワークを提案する。 まず、オフラインのDistributed-Aware Sample Selection戦略を導入する。 Vision Foundation Models (VFMs) と設計したdentity-K-Centerアルゴリズムを利用することで、代表的な構造的アンカーを明示的に識別し、より代表的なラベル付きドメインを確立する。 次に、残りの分散ギャップを埋めるために、メモリ誘導コピーペースト(MCP)モジュールを提案する。 医用スキャンにおける固有のクラス不均衡を念頭に置いて、MSPはセマンティックメモリ機構を利用して、歴史的に一貫したドメイン間のアライメントを検索し、セマンティックな一貫性を促進する。 このフレームワークは、容易にハードなプログレッシブスケジュールと組み合わせて、初期の擬似ラベルノイズを効果的に軽減する。 6つの多様な2Dおよび3Dデータセットに対する大規模な実験は、特に非常に低ラベルのシナリオ(1/16比)において、強力なセグメンテーション性能を示している。

関連論文リスト

• Robust Cross-Domain Generalization Using Unlabeled Target Data with Source-Domain Supervision [3.3240679960197514]
  超音波スキャナーや臨床現場から取得したデータに対して、密集したアノテーションで訓練された医療画像AIモデルを一般化することが望ましいことが多い。 本稿では,ターゲット型自己教師型事前学習とモデルアンサンブル戦略を提案する。 提案手法では,教師付きトレーニングにラベル付きソースデータを使用し,目標領域事前学習を活用して一般化を向上した。
  論文  参考訳（メタデータ） (2026-05-27T21:29:31Z)
• SemiGDA: Generative Dual-distribution Alignment for Semi-Supervised Medical Image Segmentation [14.457064982985566]
  SemiGDAは、半教師付き医療画像セグメンテーションのための生成デュアル配信アライメントフレームワークである。 本手法は他の最先端の半教師付きセグメンテーション法よりも優れている。
  論文  参考訳（メタデータ） (2026-04-25T12:37:01Z)
• Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model [5.158113225132093]
  半教師付き医用画像セグメンテーションは、限られた注釈付きデータと豊富なラベルなしデータを利用して正確なセグメンテーションを実現することを目的としている。 既存の手法は、擬似ラベルが導入したノイズにより、潜在空間における意味分布を構成するのにしばしば苦労する。 提案手法は,プロトタイプに基づくコントラッシブコントラストの整合性を強制することにより,意味ラベルの遅延構造に制約を導入する。
  論文  参考訳（メタデータ） (2025-07-22T10:21:55Z)
• SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
  自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。 近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。 本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-18T14:27:54Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• 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)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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。