論文の概要: Unifying Active Learning and Semi-Supervised Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.25014v1
• Date: Mon, 27 Jul 2026 19:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.604952
• Title: Unifying Active Learning and Semi-Supervised Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのアクティブラーニングと半監督学習の統合
• Abstract要約: 医用画像セグメンテーションのための統合型アクティブ半教師付きフレームワークを提案する。 RegALは3つの相補的な軸、ボクセルワイドの不確実性、特徴の多様性、新しいトポロジカル整合度といった画像を評価する。 RegALは、ラベル付きボリュームがほとんどなく安定しており、最先端のAL、SSL、アクティブな半教師付きベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 7.337647131220666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical settings, medical image segmentation models are often developed with limited annotated data rather than fully labeled datasets. Training frequently begins in ultra-low labeled regimes where only a small number of volumes are annotated. In such scenarios, practitioners must simultaneously decide which cases to annotate and how to best use the remaining unlabeled data. Although active learning (AL) and semi-supervised learning (SSL) both target annotation scarcity, they are typically designed and optimized independently, resulting in objective mismatch and unstable training during early-stage "cold start" conditions. We propose RegAL, a unified active semi-supervised framework governed by a shared topology-aware Pareto optimization that couples sample acquisition with unlabeled data utilization. RegAL evaluates images along three complementary axes, voxel-wise uncertainty, feature diversity, and a novel topological consistency metric, to select anatomically informative edge cases for annotation. On the other hand, the same criteria are used to identify geometrically stable atlas candidates for diffeomorphic registration-guided augmentation to train a self-supervised Mean Teacher segmentation network. Across BraTS 2021, dHCP, and ProstateX, RegAL remains stable with few labeled volumes and consistently outperforms state-of-the-art AL, SSL, and active semi-supervised baselines across Dice and boundary-distance (ASD, HD95) metrics under extreme annotation scarcity.
• Abstract（参考訳）: 実際の設定では、医用画像セグメンテーションモデルは完全なラベル付きデータセットではなく、限られた注釈付きデータで開発されることが多い。 トレーニングは、少量のボリュームにアノテートされた超低ラベルのレギュレーションで頻繁に開始される。 このようなシナリオでは、実践者はどのケースに注釈を付けるか、そして残りのラベルのないデータを最もよく使うかを同時に決める必要があります。 アクティブラーニング(AL)と半教師付きラーニング(SSL)はどちらもアノテーション不足をターゲットとしているが、通常は独立して設計・最適化されており、初期の「コールドスタート」条件下で客観的なミスマッチと不安定なトレーニングをもたらす。 本稿では,共有トポロジを意識したPareto最適化によって管理される,アクティブな半教師付き統合フレームワークRegALを提案する。 RegALは3つの相補的軸、ボクセルワイドの不確実性、特徴の多様性、および新しいトポロジカル整合度といった画像を評価し、注釈のための解剖学的に有意なエッジケースを選択する。 一方, 自己教師型平均教師セグメンテーションネットワークを訓練するために, 幾何的に安定なアトラス候補を識別するためにも, 同じ基準が用いられる。 BraTS 2021、dHCP、ProstateXの他、RegALはラベル付きボリュームがほとんどなく安定しており、最先端のAL、SSL、Diceと境界距離(ASD、HD95)におけるアクティブな半教師付きベースラインを上回っている。

関連論文リスト

• When, Where, and How: Adaptive Binning for Tabular Self-Supervised Learning [4.300307544233363]
  自己教師型学習は、医学研究においてラベルのない表を利用することができる。 最近のビンニングに基づく述語は有望な帰納バイアスを与えるが、既存の目的は単一のグローバルな量子的離散化を固定する。 本稿では,特徴量的に粗いカリキュラムを通した離散化と学習を両立させる学習適応型離散化プレテキストであるAdaptive Binningを提案する。
  論文  参考訳（メタデータ） (2026-06-18T06:11:58Z)
• Collaborative Learning for Semi-Supervised LiDAR Semantic Segmentation [51.15174185939441]
  LiDAR半教師付きセグメンテーション(CoLLiS)のための協調学習 CoLLiSは、同じ学生として扱うことで、複数の表現をひとつのステップで協調的に訓練する。 3つのデータセットの実験では、CoLLiSが最先端のLiDAR SemiSLメソッドを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-05-16T19:58:41Z)
• CGMatch: A Different Perspective of Semi-supervised Learning [20.03126368452921]
  ラベル付きデータを利用したセミ教師付き学習(SSL)が注目されている。 既存の手法はモデルの状態を正確に評価するためにモデルの信頼性にのみ依存している、と我々は主張する。 我々はCGMatchと呼ばれる新しいSSLモデルを提案し、これが初めてCount-Gapと呼ばれる新しいメトリックを組み込んだ。
  論文  参考訳（メタデータ） (2025-03-04T03:14:15Z)
• Leveraging CORAL-Correlation Consistency Network for Semi-Supervised Left Atrium MRI Segmentation [14.296441810235223]
  半教師付き学習(SSL)は、ラベル付き画像とラベルなし画像の両方から学習するために広く使われている。 現在のSSLベースのセグメンテーションメソッドの多くは、ラベル付きデータとラベルなしデータの類似した特徴を識別するためにピクセル値を直接使用する。 我々は,グローバルな構造形状と左房の局所的詳細を捉えるために,CORAL(Correlation-Aligned)-Correlation Consistency Network (CORN)を導入した。
  論文  参考訳（メタデータ） (2024-10-21T11:46:28Z)
• 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)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Is margin all you need? An extensive empirical study of active learning on tabular data [66.18464006872345]
  我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。 意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
  論文  参考訳（メタデータ） (2022-10-07T21:18:24Z)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation [9.745971699005857]
  医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。 タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。 本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-12-05T08:19:41Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。