論文の概要: ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated Image

• arxiv url: http://arxiv.org/abs/2607.24453v1
• Date: Mon, 27 Jul 2026 13:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.449564
• Title: ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated Image
• Title（参考訳）: ESRVS: 単一注釈画像付き半スーパービジョン網膜血管セグメンテーション
• Abstract要約: 本研究は,1つの注釈付き画像と1つのラベルなし画像のプールを併用した,極端半教師付き領域における網膜血管のセグメンテーションについて検討した。 本研究では,手動アノテーションの参照画像を選択し,ターゲットドメイン適応DINOv3特徴を用いた血管キューを転送するESRVSを提案する。 Mask2Formerでは、ESRVSは全監督されたDiceの93.7%、全監督されたclDiceの95.1%を維持している。
• 参考スコア（独自算出の注目度）: 6.883947770846664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning from minimal human supervision is a long-standing goal in medical image analysis, where dense expert annotations are costly. We study retinal vessel segmentation in an extreme semi-supervised setting with one annotated image and a pool of unlabeled images. We propose ESRVS, which selects a representative reference image for manual annotation and transfers vessel cues using target-domain-adapted DINOv3 features. ESRVS constructs a multi granular vessel prototype, combines prototype-similarity maps with a physics-inspired prior to generate initial pseudo-labels, and refines the transferred supervision through weighted pseudo-label training and adversarial refinement. Across eight public datasets, ESRVS achieves the best Dice and clDice on six datasets, and the best HD95 on all eight datasets among the compared semi-supervised methods, although those methods use 10 to 20% labeled data. With Mask2Former, ESRVS retains on average 93.7% of fully supervised Dice and 95.1% of fully supervised clDice. These results demonstrate the potential of foundation-model label propagation for highly label-efficient retinal vessel segmentation. Code is available at https://github.com/IAANNH/ESRVS.
• Abstract（参考訳）: 最小限の人間の監督から学ぶことは、医用画像分析における長年の目標であり、密集した専門家のアノテーションはコストがかかる。 本研究は,1つの注釈付き画像と1つのラベルなし画像のプールを併用した,極端半教師付き領域における網膜血管のセグメンテーションについて検討した。 本研究では,手動アノテーションの参照画像を選択し,ターゲットドメイン適応DINOv3特徴を用いた血管キューを転送するESRVSを提案する。 ESRVSは、多層容器のプロトタイプを構築し、プロトタイプの類似マップと物理にインスパイアされた初期擬似ラベルを生成する前に組み合わせ、重み付けされた擬似ラベルのトレーニングと敵の強化によって移行した監督を洗練する。 8つの公開データセットの中で、ESRVSは6つのデータセットで最高のDiceとclDiceを達成し、比較された半教師付きメソッドの中で8つのデータセットで最高のHD95を達成している。 Mask2Formerでは、ESRVSは全監督されたDiceの93.7%、全監督されたClDiceの95.1%を維持している。 これらの結果は,高ラベル効率網膜血管セグメンテーションのための基礎モデルラベル伝搬の可能性を示している。 コードはhttps://github.com/IAANNH/ESRVS.comで入手できる。

関連論文リスト

• HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation [0.0]
  HMS-VesselNetは階層的なマルチスケールネットワークで、異なる解像度で4つの並列ブランチにまたがるファンドイメージを処理する。 DRIVE、STARE、CHASE_DB1の68枚の画像を5倍のクロスバリデーションでテストし、平均Diceの88.72 +/- 0.67%、感度90.78 +/- 1.42%、AUCの98.25 +/- 0.21%を達成した。
  論文  参考訳（メタデータ） (2026-03-23T12:16:45Z)
• Novel Extraction of Discriminative Fine-Grained Feature to Improve Retinal Vessel Segmentation [18.968955885340797]
  本稿では,AttUKANという新しいU字型コルモゴロフ・アルノルドネットワークを提案する。 我々は、モデル感度を高めるために、コルモゴロフ・アルノルドネットワークにアテンションゲートを実装した。 我々はまた、提案したAttUKANを監督するために、新しいラベル誘導のPixel-wise Contrastive Lossを設計する。
  論文  参考訳（メタデータ） (2025-05-06T18:03:41Z)
• Resource Efficient Multi-stain Kidney Glomeruli Segmentation via Self-supervision [0.18352113484137625]
  本稿では,自己指導型事前学習により,95%少ないラベルでもセグメンテーション手法の性能を維持することができることを示す。 自己教師付き事前トレーニングと5%ラベルの使用では、パフォーマンス低下は最小限である。 これらの結果は、トレーニング分布を超えて、公開ベンチマークデータセットに一般化することが示されている。
  論文  参考訳（メタデータ） (2024-12-19T20:43:22Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• Semi-weakly Supervised Contrastive Representation Learning for Retinal Fundus Images [0.2538209532048867]
  本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。 SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
  論文  参考訳（メタデータ） (2021-08-04T15:50:09Z)
• Anonymization of labeled TOF-MRA images for brain vessel segmentation using generative adversarial networks [0.9854633436173144]
  GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。 画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。 各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
  論文  参考訳（メタデータ） (2020-09-09T11:30:58Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)

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。