論文の概要: VCDP: Variation-Conditioned Distributional Proxy Learning for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.07416v1
• Date: Wed, 08 Jul 2026 13:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.39806
• Title: VCDP: Variation-Conditioned Distributional Proxy Learning for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: VCDP:半監督医用画像分割のための変分分布プロキシ学習
• Abstract要約: 半教師付き3次元医用画像セグメンテーションは、ラベルのないボリュームを活用することで、密度の高いボクセルレベルのアノテーションの必要性を減らす。 半教師付き3次元医用画像セグメンテーションのためのトレーニング専用正規化モジュールVCDPを提案する。
• 参考スコア（独自算出の注目度）: 2.050962785065208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised 3D medical image segmentation reduces the need for dense voxel-level annotations by exploiting unlabeled volumes. Although existing methods such as consistency regularization, pseudo-labeling, and co-training improve prediction-level robustness, they often provide insufficient feature-space organization for anatomically complex structures, especially small organs and ambiguous boundary regions with large intra-class variations. To address this issue, we propose Variation-Conditioned Distributional Proxy Learning (VCDP), a plug-and-play training-only regularization module for semi-supervised 3D medical image segmentation. VCDP represents each class with a learnable Gaussian distribution for shared class semantics and multiple variation prototypes for fine-grained intra-class patterns. A unified variation-conditioned compatibility score is further formulated to fuse distributional similarity and soft variation aggregation, guiding voxel embeddings to align with both global organ identity and local anatomical variations. VCDP is attached to decoder features during training and removed during inference, introducing no additional inference cost. Experiments on multi-organ segmentation benchmarks show that VCDP improves most evaluated baselines, particularly for small, ambiguous, and highly variable organs. Our anonymous code is released at https://anonymous.4open.science/r/VCDP_code-41ED.
• Abstract（参考訳）: 半教師付き3次元医用画像セグメンテーションは、ラベルのないボリュームを活用することで、密度の高いボクセルレベルのアノテーションの必要性を減らす。 整合性正則化、擬似ラベル化、コトレーニングなどの既存の手法は予測レベルの堅牢性を改善するが、解剖学的に複雑な構造、特に小器官やクラス内変異が大きいあいまいな境界領域において、機能的構造が不十分である場合が多い。 そこで我々は,半教師付き3次元医用画像セグメンテーションのためのプラグイン・アンド・プレイ専用正規化モジュールVCDPを提案する。 VCDPは、共有クラスセマンティクスのための学習可能なガウス分布と、粒度の細かいクラス内パターンのための複数の変分プロトタイプを持つ各クラスを表す。 統一された変分条件適合スコアは、分布類似性とソフト変動集約を融合させ、大域的な臓器の同一性と局所的な解剖学的変動の両方に一致するようにボクセルの埋め込みを誘導するためにさらに定式化される。 VCDPはトレーニング中にデコーダ機能にアタッチされ、推論中に削除され、追加の推論コストは発生しない。 マルチ組織セグメンテーションベンチマークの実験では、VCDPが最も評価されたベースライン、特に小さく、曖昧で、高度に可変な臓器の改善が示されている。 我々の匿名コードはhttps://anonymous.4open.science/r/VCDP_code-41EDで公開されている。

関連論文リスト

• 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)
• GRAFNet: Multiscale Retinal Processing via Guided Cortical Attention Feedback for Enhancing Medical Image Polyp Segmentation [6.834321209531585]
  本稿では,人間の視覚システムの階層構造を模倣する生物学的にインスパイアされたアーキテクチャであるGRAFNetを提案する。 GRAFNetは,(1)方向調整された皮質ニューロンをポリプ境界に模倣するガイド非対称注意モジュール(GAAM),(2)平行多機能解析のために網膜神経節細胞経路を複製するマルチスケール網膜モジュール(MSRM),(3)反復精製に予測符号化を適用するガイド非対称注意フィードバックモジュール(GCAFM)の3つの重要なモジュールを統合する。
  論文  参考訳（メタデータ） (2026-02-15T17:29:37Z)
• PCLMix: Weakly Supervised Medical Image Segmentation via Pixel-Level Contrastive Learning and Dynamic Mix Augmentation [9.790026148340637]
  そこで本研究では,PCLMixという医用画像分割フレームワークを提案する。 PCLMixはヘテロジニアスなデュアルデコーダのバックボーン上に構築されており、構造的事前の欠如に対処している。 ACDCデータセットの実験では、PCLMixが局所的な監視信号をグローバルな規模に適切に伝播することを実証している。
  論文  参考訳（メタデータ） (2024-05-10T07:38:02Z)
• 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)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation [18.830738606514736]
  本研究は、堅牢な医用画像分割のためのカリキュラムベースの拡張フーリエドメイン適応(Curri-AFDA)を提案する。 特に、カリキュラム学習戦略は、異なるレベルのデータシフトの下でのモデルの因果関係に基づいている。 複数のサイトやスキャナーから収集した網膜と核の2つのセグメンテーションタスクの実験から,提案手法が優れた適応と一般化性能をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T08:56:58Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• 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)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)

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。