論文の概要: H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2608.07340v1
- Date: Fri, 07 Aug 2026 15:36:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.541655
- Title: H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation
- Title（参考訳）: H2AL:ハイパーボリック階層型医用画像セグメンテーションのための階層型集約学習
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.03182906364409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Registration-based Few-shot medical image segmentation (RFMIS) aims to generate pseudo-labels for unlabeled images by warping a labeled image through registration. However, existing methods primarily perform pixel-level optimization and inference in Euclidean space, treating anatomical structures as flat and disjoint. This neglect of inherent hierarchies degrades pseudo-label quality and weakens the discrimination of ambiguous regions, limiting the segmentation performance. To overcome this challenge, we propose a Hyperbolic Hierarchy-aware Aggregative Learning framework for RFMIS, termed H2AL, that enhances both deformation plausibility and anatomical discrimination for dual-task learning. Specifically, we introduce a Hyperbolic Hierarchy-aware Infusion (H2I) module, which leverages the hierarchical modeling capability of hyperbolic space to learn precise hierarchy-aware representations via transformation-guided supervised hyperbolic contrastive learning, and injects such hierarchical priors into Euclidean space through a gated infusion block while preserving semantic richness. Furthermore, we propose an end-to-end joint optimization algorithm by gradient aggregation, where the gradients from the registration and segmentation decoders, embedding semantic and hierarchical cues, are aggregated to update the shared encoder to promote collaborative learning across tasks. Extensive experiments on two anatomical regions, with five experimental settings, demonstrate the effectiveness and efficiency of our method in both registration and segmentation. The code is publicly available at https://github.com/JiamingCai469/H2AL.
- Abstract（参考訳）: 登録に基づくFew-shot Medical Image segmentation (RFMIS) は、ラベル付き画像にラベル付きイメージを変形させることにより、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。
しかし、既存の手法は主にユークリッド空間におけるピクセルレベルの最適化と推論を行い、解剖学的構造を平坦かつ不整合として扱う。
この固有階層の無視は、擬似ラベルの品質を低下させ、曖昧な領域の識別を弱め、セグメンテーション性能を制限させる。
この課題を克服するために,H2ALと呼ばれるRAMISのためのハイパーボリック階層型集約学習フレームワークを提案する。
具体的には、ハイパーボリック空間の階層的モデリング能力を活用して、変換誘導型教師付きハイパーボリックコントラスト学習により正確な階層的表現を学習し、意味豊かさを保ちながら、ゲート付き注入ブロックを介してユークリッド空間にそのような階層的事前を注入する、ハイパーボリック階層型インフュージョン(H2I)モジュールを提案する。
さらに, 階層構造とセグメンテーション・デコーダからの勾配を集約し, 共有エンコーダを更新し, タスク間の協調学習を促進する。
5つの実験条件を持つ2つの解剖学的領域における広範囲な実験は,登録とセグメンテーションの両方において,本手法の有効性と有効性を示した。
コードはhttps://github.com/JiamingCai469/H2ALで公開されている。
関連論文リスト
- Bi-Level Collaborative Learning for Few-Shot Scribble-Supervised Medical Image Segmentation [29.491024029816334]
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。
論文 参考訳（メタデータ） (2026-07-28T08:26:40Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳（メタデータ） (2023-12-11T12:29:51Z) - 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) - IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised
Medical Image Segmentation [3.6748639131154315]
我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。
本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。
下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
論文 参考訳（メタデータ） (2022-10-26T23:11:02Z) - Robust and Efficient Segmentation of Cross-domain Medical Images [37.38861543166964]
医用画像の堅牢かつ効率的なセグメンテーションのための一般化可能な知識蒸留法を提案する。
本稿では,2つの一般化可能な知識蒸留方式,Dual Contrastive Graph Distillation (DCGD)とDomain-Invariant Cross Distillation (DICD)を提案する。
DICDでは、2つのモデル(例えば教師と学生)のドメイン不変セマンティックベクターをMSANのヘッダー交換によってクロスコンストラクト特徴に活用する。
論文 参考訳（メタデータ） (2022-07-26T15:55:36Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。