論文の概要: OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background

• arxiv url: http://arxiv.org/abs/2607.16705v1
• Date: Sat, 18 Jul 2026 08:39:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.231567
• Title: OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background
• Title（参考訳）: OFD-Net:前景の直交的特徴分散網を用いた教師レス半教師型医用画像分割
• Abstract要約: 我々は,教師なしの半教師型医用画像セグメンテーションのための単一ネットワークフレームワーク OFD-Netを提案する。 OFD-Netは、OFDM(Orthogonal Feature Disentanglement Module)を使用して、ラベルなしデータを背景および前景表現に切り離すことによって、信頼性の高いSSLのためにOFDM機能をキャプチャする。 さらに、主予測と非絡み合った前景応答の構造的整合性に基づいてラベル付き指導を評価し、訓練中に信頼できない領域を減らし、信頼性に敏感な擬似ラベル学習機構を開発する。
• 参考スコア（独自算出の注目度）: 11.21872807442803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning (SSL) is an effective solution for medical image segmentation with limited annotations. Existing SSL methods mainly rely on pseudo-labels generated by teacher-student supervision or cross-network consistency. However, these methods lack an explicit structural reference for judging pseudo-label quality. Low-quality pseudo-labels may lead to unreliable training, error accumulation and confirmation bias when processing unlabeled data with substantial appearance variations. To address this issue, we proposed OFD-Net, a teacher-free single-network framework for reliable semi-supervised medical image segmentation. OFD-Net employs an Orthogonal Feature Disentanglement Module (OFDM) to capture OFD features for reliable SSL by disentangling unlabeled data into background and foreground representations with a reliable structural distribution, thereby effectively reducing error accumulation and alleviating confirmation bias among unlabeled data. Specifically, OFD-Net explicitly employs a Disentanglement Guidance Module (DGM) to inject the resulting structural priors of foreground-background into the decoder by deformable convolution processing, and outputs predictions with clearer foreground representations. Based on DGM and the OFDM, we further develop a reliability-aware pseudo-label learning mechanism that evaluates unlabeled supervision according to the structural consistency between the main prediction and the disentangled foreground-background responses, and then down-weights unreliable regions during training. Extensive experiments on four public medical image segmentation benchmarks, namely ISIC-2016, Kvasir-SEG, Synapse, and ACDC, validate the effectiveness of OFD-Net. These results confirm that orthogonal foreground-background disentanglement enables OFD-Net to establish an efficient and reliable training paradigm within a teacher-free single-network framework.
• Abstract（参考訳）: 半教師付き学習(SSL)は,アノテーションを限定した医用画像のセグメンテーションに有効な方法である。 既存のSSLメソッドは、主に教師と学生の監督やネットワーク間の一貫性によって生成される擬似ラベルに依存している。 しかし、これらの手法は擬似ラベルの品質を判断するための明確な構造的基準を欠いている。 低品質の擬似ラベルは、実質的な外見変化を伴うラベルなしデータの処理において、信頼性の低いトレーニング、エラーの蓄積、確認バイアスにつながる可能性がある。 この問題に対処するため,教師なしの半教師型医用画像セグメント作成のためのシングルネットワークフレームワークである OFD-Net を提案した。 OFD-Netは、Orthogonal Feature Disentanglement Module (OFDM)を用いて、未ラベルのデータを背景および前景の表現に切り離すことにより、信頼性のあるSSL用のOFDM(Orthogonal Feature Disentanglement Module)を使用する。 具体的には、OFD-NetはDGM(Disentanglement Guidance Module)を明示的に使用し、変形可能な畳み込み処理により、前景の背景構造をデコーダに注入し、より明快な前景表現で予測を出力する。 さらに,DGMとOFDMに基づいて,主予測と非絡み合った前景応答の構造的整合性に基づいてラベル付き監視を評価し,トレーニング中に信頼できない領域を減量する,信頼性に配慮した擬似ラベル学習機構を開発した。 ISIC-2016(英語版)、Kvasir-SEG(英語版)、Synapse(英語版)、ACDC(英語版)の4つの公開医療画像セグメンテーションベンチマークの大規模な実験により、OFD-Netの有効性が検証された。 これらの結果から,教師フリーのシングルネットワーク・フレームワークにおいて,直交前景のアンタングル化により,OFD-Netが効率的かつ信頼性の高いトレーニングパラダイムを確立できることが確認された。

関連論文リスト

• SAUF-Net: Structure--Appearance Representation Learning with Uncertainty Feedback for Semi-Supervised Medical Image Segmentation [11.11888950065648]
  半教師型医用画像セグメンテーションのための不確かさフィードバックネットワークを用いた構造表現学習であるSAUF-Netを提案する。 本稿では、外観変化下で構造表現が安定し続けることを奨励するために、外観選択整合分岐を導入する。 ISIC-2016とKvasir-SEGの実験は、SAUF-Netが最先端の半教師付き手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-09-02T07:54:49Z)
• Quality-Guided Semi-Supervised Learning for Medical Image Segmentation [12.64743678301535]
  正確な医用画像セグメンテーションモデルの訓練には、大量の高密度の注釈付きデータが必要である。 半教師付き学習(SSL)は、豊富なラベル付きデータと限定ラベル付きデータの両方から学習することでこれを緩和する。 画像とマスクのペアからセグメンテーション品質を推定するために,専用ネットワークをトレーニングする品質誘導型SSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-01T06:15:07Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• Exploring Structural Degradation in Dense Representations for Self-supervised Learning [84.52554180480037]
  自己教師付き学習(SSL)における直感的な現象を観察する。 我々は、この現象を自己教師付きDense Degradation(SDD)と呼び、16の最先端SSLメソッドに一貫した存在を示す。 本稿では,クラス関連尺度と有効次元尺度からなるDense Expression Structure Estimator (DSE)を紹介する。
  論文  参考訳（メタデータ） (2025-10-20T08:40:16Z)
• Uncertainty-Aware ControlNet: Bridging Domain Gaps with Synthetic Image Generation [0.9509895098323274]
  この作業では、ラベルのないドメインからデータを使用して、コントロールネットをトレーニングする手法を導入している。 この不確実性は、ある画像が下流タスクのトレーニング分布の一部ではないことを示している。 ControlNetによって、ターゲットドメインから高い不確実性を持つ注釈付きデータを作成することができます。
  論文  参考訳（メタデータ） (2025-10-13T12:41:28Z)
• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning [3.7395287262521717]
  現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。 両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。 我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-11-21T14:03:16Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。