論文の概要: Bi-Level Collaborative Learning for Few-Shot Scribble-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.25432v1
• Date: Tue, 28 Jul 2026 08:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.760149
• Title: Bi-Level Collaborative Learning for Few-Shot Scribble-Supervised Medical Image Segmentation
• Title（参考訳）: 半ショットスクリブルによる医用画像分割のための双方向協調学習
• Abstract要約: 本稿では,スクリブル制御型医用画像セグメンテーションのための二段階協調学習フレームワークを提案する。 上位レベルの学習可能なスーパーピクセルモデルを導入し、下位レベルのセグメンテーションのための地域構造的事前情報を提供する。 提案フレームワークは, ACDC と Prostate のデータセット上で, 既存の最先端のスクリブル管理手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 29.491024029816334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scribble annotations offer an efficient alternative to costly pixel-wise labeling for medical image segmentation, yet in real clinical scenarios, scribble-annotated samples are often still limited, imposing the dual challenges of sparse supervision and annotated sample scarcity. These compounded constraints severely deprive models of the structural evidence needed for complete region recovery and precise boundary delineation. To break this bottleneck, we propose a bi-level collaborative learning framework for few-shot scribble-supervised medical image segmentation. Specifically, an upper-level learnable superpixel model is introduced to provide region-structural priors for lower-level segmentation, while superpixel-based region-wise pseudo-label propagation and a spatial-prior-guided filtering strategy are performed to generate reliable dense pseudo-labels for segmentation learning. Meanwhile, the anatomical semantics learned by the lower-level segmentation model under the guidance of the current superpixels are fed back to the upper level, further driving it to learn region-structural representations better aligned with the segmentation task. Through bidirectional interaction and collaborative learning between the upper and lower levels, the proposed framework significantly outperforms existing state-of-the-art scribble-supervised methods on the ACDC and Prostate datasets under the few-shot scribble-supervised setting.
• Abstract（参考訳）: スクリブルアノテーションは、医用画像のセグメンテーションに費用がかかるピクセル単位のラベリングに代わる効果的な代替手段を提供するが、実際の臨床シナリオでは、スクリブルアノテーションのサンプルは、しばしば制限されている。 これらの複合的な制約は、完全な地域回復と正確な境界線決定に必要な構造的証拠のモデルを著しく取り除いた。 このボトルネックを克服するために,数発のスクリブル・教師付き医用画像セグメンテーションのための双方向協調学習フレームワークを提案する。 具体的には、上位レベルの学習可能なスーパーピクセルモデルを導入し、下位レベルのセグメンテーションのための地域構造的事前情報を提供するとともに、スーパーピクセルベースの領域単位の擬似ラベル伝播と空間的誘導型フィルタリング戦略を行い、セグメンテーション学習のための信頼性の高い擬似ラベルを生成する。 一方、現行のスーパーピクセルのガイダンスに基づいて下層セグメンテーションモデルで学習した解剖学的意味は上層にフィードバックされ、さらに、セグメンテーションタスクとより整合した地域構造表現の学習が促される。 提案手法は,上層部と下層部の間での双方向インタラクションと協調学習を通じて,ACDCおよび前立腺データセットにおける既存の最先端スクリブル管理手法を,数ショットスクリブル管理方式で著しく上回っている。

関連論文リスト

• H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation [11.03182906364409]
  RFMIS (Few-shot Medical Image segmentation) は、ラベル付き画像を登録することでラベルなし画像のための擬似ラベルを生成することを目的としている。 RFMIS, H2ALのためのハイパーボリック・アグリゲーティブ・ラーニング・階層・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-07T15:36:53Z)
• Multimodal Prototype Alignment for Semi-supervised Pathology Image Segmentation [9.790130257265217]
  MPAMatchは,マルチモーダルプロトタイプ誘導監視パラダイムの下で画素レベルのコントラスト学習を行う,新たなセグメンテーションフレームワークである。 MPAMatchの中核的な革新は、画像プロトタイプとピクセルラベル、およびテキストプロトタイプとピクセルラベルの間の二重コントラスト学習方式にある。 さらに,ViTバックボーンを病理予知基盤モデル(Uni)に置き換えることで,古典的セグメンテーションアーキテクチャ(TransUNet)を再構築する。
  論文  参考訳（メタデータ） (2025-08-27T05:15:13Z)
• RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation [2.608565452856053]
  医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクに不可欠である。 粗いレベルのアノテーションに完全に依存する新しい粗いセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T19:14:30Z)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。