論文の概要: CoDiR: Confidence-Guided Diffusion Refinement for Semi-Supervised Histopathology Segmentation

• arxiv url: http://arxiv.org/abs/2608.11807v1
• Date: Wed, 12 Aug 2026 08:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.525521
• Title: CoDiR: Confidence-Guided Diffusion Refinement for Semi-Supervised Histopathology Segmentation
• Title（参考訳）: CoDiR : 半監督的病理組織分離のための信頼誘導拡散微細化
• Abstract要約: Confidence-Guided Diffusion Refinement (CoDiR)は、平均教師セグメンテーションモデルと拡散に基づく擬似ラベルリファインメントを組み合わせた半教師付きフレームワークである。 GlaSとCRAGのデータセットでは、CoDiRが88.09%、89.83% mDiceが10%、89.19%と90.29% mDiceが20%に達した。
• 参考スコア（独自算出の注目度）: 1.6256630710286013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised histopathology segmentation is challenging due to scarce annotations and unreliable pseudo-labels in ambiguous gland regions. To address this problem, we propose Confidence-Guided Diffusion Refinement (CoDiR), a semi-supervised framework that combines a Mean Teacher segmentation model with diffusion-based pseudo-label refinement. Given an unlabeled image, the teacher first produces a soft prediction, and only low-confidence regions are refined by a conditional diffusion model trained to capture plausible mask structures from labeled data. The refined mask is then fused with reliable teacher predictions and used to train the student with confidence weighting and consistency regularization. On the GlaS and CRAG datasets CoDiR reaches 88.09\% and 89.83\% mDice with 10\% labeled data, and 89.19\% and 90.29\% mDice with 20\%, matching or exceeding the strongest published method on seven of the eight benchmark metrics. Ablations attribute the largest single contribution to the refinement module, which adds +6.36\% mDice over the Mean Teacher baseline. The implementation code is publicly available at: https://github.com/vongla345/codir
• Abstract（参考訳）: 半監督的病理組織学的セグメンテーションは,不明瞭な腺領域のアノテーションや信頼できない偽のラベルが不足しているため困難である。 この問題に対処するために、平均教師分割モデルと拡散に基づく擬似ラベル精錬を組み合わせた半教師付きフレームワークであるConfidence-Guided Diffusion Refinement (CoDiR)を提案する。 教師はラベルのない画像が与えられた場合、まずソフトな予測を行い、ラベル付きデータから可塑性マスク構造をキャプチャするために訓練された条件拡散モデルにより、低信頼領域のみを洗練する。 改良されたマスクは、教師の信頼できる予測と融合し、信頼性の重み付けと一貫性の正則化で生徒を訓練するために使用される。 GlaS と CRAG のデータセットでは、CoDiR はラベル付きデータで 88.09\% と 89.83\% mDice に達し、89.19\% と 90.29\% mDice は 20\% であり、8つのベンチマーク指標のうち7つのうち最強の手法である。 アブレーションは改良モジュールへの最大の貢献であり、平均教師のベースラインに+6.36\% mDiceを加える。 実装コードは、https://github.com/vongla345/codirで公開されている。

関連論文リスト

• Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation [3.9010235529140616]
  本稿では,スパース・パストロジー・アノテーションと指数移動平均安定化型教師ネットワークを活用して,洗練された擬似マスクを生成する弱教師型教員の枠組みを提案する。 このフレームワークは、信頼に基づくフィルタリング、教師の予測の適応的融合、限られた真実との融合、およびカリキュラムガイドにより、未通知の腺領域を段階的に分割する。
  論文  参考訳（メタデータ） (2026-03-09T16:54:05Z)
• PLD: A Choice-Theoretic List-Wise Knowledge Distillation [12.52282972328311]
  リストのランク付けを重み付けした "Plackett-Luce Distillation (PLD)" を導入する。 PLDは多様なアーキテクチャや蒸留目標に対して一貫した利益を達成する。
  論文  参考訳（メタデータ） (2025-06-14T15:31:54Z)
• Diff-CL: A Novel Cross Pseudo-Supervision Method for Semi-supervised Medical Image Segmentation [9.264789041589209]
  本研究は、分布から見た半教師付き医用画像分割フレームワーク(Diff-CL)を紹介する。 本稿では,拡散と畳み込みのセグメンテーションネットワーク間のクロス擬似超越学習機構を提案する。 本手法は,左房,脳腫瘍,NIH膵臓の3つのデータセットにまたがって,最先端のSOTA(State-of-the-art)性能を実現する。
  論文  参考訳（メタデータ） (2025-03-12T13:59:09Z)
• FerKD: Surgical Label Adaptation for Efficient Distillation [30.888578537293352]
  本稿では,新しい効率的な知識蒸留フレームワークであるFerKDを紹介する。 我々のアプローチは、RandomResizedCropのような標準的なデータ拡張が入力を様々な条件に変換する傾向にあるという観察と直感から来ています。 そこで本稿では,ソフト化されたハード・グラウンドトルース・ラベルを用いて,信頼性の低い領域を文脈として分類する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-29T05:02:10Z)
• Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
  擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。 そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:11:24Z)
• DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection [42.75316070378037]
  半教師対象検出(SSOD)において平均教師(MT)方式が広く採用されている 本稿では,Inverse NMS Clustering (INC) と Rank Matching (RM) を提案する。
  論文  参考訳（メタデータ） (2022-07-12T13:54:54Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence Margin [92.76372026435858]
  Ada-CM(Adaptive Confidence Margin)を学習し、ラベルのないすべてのデータを半教師付き深層表情認識に活用する。 すべてのラベルなしサンプルは、信頼スコアと適応的に学習された信頼マージンを比較して、2つのサブセットに分割される。 提案手法は最先端の性能,特に半教師付きベースラインを超越した性能を実現する。
  論文  参考訳（メタデータ） (2022-03-23T11:43:29Z)
• MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels [5.500466607182699]
  半教師付き学習は、医用画像におけるラベル不足の問題に対処する上で有望なパラダイムである。 MisMatchは、ペアの予測間の一貫性に基づいた半教師付きセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2021-10-23T09:22:41Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• 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。