論文の概要: PC-Seg: Progressive Cross-View Consistency for 3D OCT Segmentation from Sparse 2D Annotations

• arxiv url: http://arxiv.org/abs/2607.17718v2
• Date: Tue, 21 Jul 2026 07:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 14:48:36.423375
• Title: PC-Seg: Progressive Cross-View Consistency for 3D OCT Segmentation from Sparse 2D Annotations
• Title（参考訳）: PC-Seg:スパース2次元アノテーションからの3D OCTセグメンテーションのためのプログレッシブなクロスビュー整合性
• Abstract要約: PC-Segは、スパース2Dアノテーションから高精度な3Dセグメンテーションモデルを学習する、クロスビュー一貫性フレームワークである。 トレーニングデータの約0.7%のラベルを用いて,PC-Segが完全教師付き学習に匹敵する精度を実現していることを示す。
• 参考スコア（独自算出の注目度）: 6.985097529979716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Volumetric segmentation of optical coherence tomography (OCT) images is essential for diagnosing ocular diseases but requires labor-intensive voxel-wise annotations. While semi-supervised learning (SSL) can reduce annotation costs, most existing methods process data slice by slice and fail to exploit the inherent 3D spatial context. We propose PC-Seg, a progressive cross-view consistency framework that learns high-accuracy 3D segmentation models from sparse 2D annotations. Unlike conventional multi-view approaches, PC-Seg uses a single 2D model to learn cross-view consistency from standard B-scans and orthogonal slices, thereby generating reliable volumetric pseudo-labels. These pseudo-labels are then distilled into a 3D model, followed by a co-training stage in which the 2D and 3D models mutually refine each other through ensemble pseudo-labeling. Experiments on the MSHC and Duke DME datasets demonstrate that PC-Seg achieves accuracy comparable to fully supervised learning while using labels for only about 0.7% of the training data, outperforming state-of-the-art semi-supervised and retinal layer segmentation methods. Our code is publicly available at https://github.com/gsisaoki/pc-seg-official.
• Abstract（参考訳）: 光コヒーレンス断層撮影(OCT)画像のボリュームセグメンテーションは眼疾患の診断には不可欠であるが、労働集約的なボクセルアノテーションが必要である。 半教師付き学習(SSL)はアノテーションのコストを削減できるが、既存のほとんどのメソッドはスライスごとにデータスライスを処理し、固有の3D空間コンテキストを利用できない。 スパース2Dアノテーションから高精度な3Dセグメンテーションモデルを学習する,プログレッシブなクロスビュー一貫性フレームワークであるPC-Segを提案する。 従来のマルチビューアプローチとは異なり、PC-Segは単一の2Dモデルを使用して標準的なBスキャンと直交スライスからクロスビュー一貫性を学習し、信頼性の高いボリューム擬似ラベルを生成する。 これらの擬似ラベルはその後3Dモデルに蒸留され、続いて2Dモデルと3Dモデルが相互に擬似ラベルを組み合わさることで互いに洗練されるコトレーニングステージが続く。 MSHCとDuke DMEデータセットの実験により、PC-Segはトレーニングデータの約0.7%のラベルを使用しながら、完全に教師付き学習に匹敵する精度を達成し、最先端の半教師付きおよび網膜層セグメンテーション法より優れていることが示された。 私たちのコードはhttps://github.com/gsisaoki/pc-seg-officialで公開されています。

関連論文リスト

• Class-agnostic 3D Segmentation by Granularity-Consistent Automatic 2D Mask Tracking [10.223105883919278]
  本稿では,フレーム間の時間的対応を維持する2次元マスク追跡手法を提案する。 本手法は, 整合性および高精度な3次元セグメンテーションを効果的に生成する。
  論文  参考訳（メタデータ） (2025-11-02T03:52:42Z)
• Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
  FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。 FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
  論文  参考訳（メタデータ） (2024-11-29T08:52:32Z)
• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
  相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。 私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
  論文  参考訳（メタデータ） (2024-07-17T06:14:53Z)
• Cross-Dimensional Medical Self-Supervised Representation Learning Based on a Pseudo-3D Transformation [68.60747298865394]
  擬似3D変換(CDSSL-P3D)に基づく新しい三次元SSLフレームワークを提案する。 具体的には、2D画像を3Dデータに整合したフォーマットに変換するim2colアルゴリズムに基づく画像変換を提案する。 この変換は2次元および3次元データのシームレスな統合を可能にし、3次元医用画像解析のための相互教師あり学習を容易にする。
  論文  参考訳（メタデータ） (2024-06-03T02:57:25Z)
• Cross-Modal Self-Training: Aligning Images and Pointclouds to Learn Classification without Labels [69.55622471172941]
  CLIPのような大規模ビジョン2D視覚言語モデルは、一般化可能な(オープン語彙)3D視覚モデルを学ぶために3Dエンコーダと整列することができる。 ゼロショット3Dビジョンモデルのラベルなし分類性能を改善するために、クロスモーダル自己訓練(Cross-MoST: Cross-Modal Self-Training)を提案する。
  論文  参考訳（メタデータ） (2024-04-15T21:30:50Z)
• Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retinal OCT Images with Full and Sparse Annotations [32.69359482975795]
  本研究は, ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を基盤として, OCTボリュームから連続した3次元網膜層表面を得るための新しい枠組みを提案する。 人工的データセットと3つのパブリックな臨床データセットの実験により、我々のフレームワークは、潜在的運動補正のためにBスキャンを効果的に調整できることを示した。
  論文  参考訳（メタデータ） (2023-12-04T08:32:31Z)
• Joint Self-Supervised Image-Volume Representation Learning with Intra-Inter Contrastive Clustering [31.52291149830299]
  自己教師付き学習は、ラベル付きデータから特徴表現を学習することで、ラベル付きトレーニングサンプルの欠如を克服することができる。 現在の医療分野におけるSSL技術のほとんどは、2D画像または3Dボリュームのために設計されている。 本研究では2次元および3次元データモダリティの教師なし共同学習のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-04T18:57:44Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• Panoptic NeRF: 3D-to-2D Label Transfer for Panoptic Urban Scene Segmentation [48.677336052620895]
  そこで本研究では,画素ごとの2Dセマンティックスとインスタンスラベルの取得を目的とした,新しい3D-to-2Dラベル転送手法であるPanoptic NeRFを提案する。 3D空間内での推論と2Dラベルへのレンダリングにより、我々の2Dセマンティクスとインスタンスラベルは、設計によって複数ビューに一貫性がある。
  論文  参考訳（メタデータ） (2022-03-29T04:16:40Z)

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。