論文の概要: Dual Co-Train: Cross-Dataset Ultrasound Tongue Segmentation Under Extreme Data Scarcity

• arxiv url: http://arxiv.org/abs/2608.17983v1
• Date: Tue, 18 Aug 2026 16:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.405273
• Title: Dual Co-Train: Cross-Dataset Ultrasound Tongue Segmentation Under Extreme Data Scarcity
• Title（参考訳）: Dual Co-Train:極端データスカシティ下での超音速トングセグメンテーション
• Abstract要約: 軽量UltraUNetバックボーン上に構築した頑健な超音波舌分割のためのソースフリードメイン適応フレームワークを提案する。 提案手法は, 疑似ラベルを反復的に精製し, 信頼できないマスクを輪郭型品質制御モジュールでフィルタリングし, ターゲット型合成画像マスクペアを生成することにより, 完全ラベル付きターゲットドメインに適応する。 本手法は8つの超音波舌画像データセットにまたがる12個のソース・ターゲット・トランスファー・ペアについて評価し,ソース・サイズ・スケール実験とアブレーション実験を行った。
• 参考スコア（独自算出の注目度）: 7.853882738557613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound tongue contour segmentation remains challenging under cross-dataset domain shift, where limited annotations, probe variability, and acquisition noise often degrade model generalization. We present a source-free domain adaptation framework for robust ultrasound tongue segmentation built on a lightweight UltraUNet backbone. Starting from a checkpoint pretrained on only five labeled source images, simulating an underfitted constrained source model, the proposed method adapts to a fully-unlabeled target domain by iteratively refining pseudo-labels, filtering unreliable masks with a contour-based quality-control module, and generating target-style synthetic image-mask pairs through a segmentation-guided conditional GAN. The student model is then trained on a mixture of clean pseudo-labeled target images, noisy pseudo-labels with consistency regularization, and synthetic samples, enabling closed-loop adaptation without access to source data. We evaluate the method on 12 source-target transfer pairs across eight ultrasound tongue imaging datasets, and conduct source-size scaling experiments and ablation studies. Across all comparisons, the proposed framework improves segmentation overlap and contour accuracy over the baselines, including supervised ones. These results suggest that task-specific pseudo-label refinement and synthetic target-style augmentation can substantially improve source-free adaptation for ultrasound tongue imaging.
• Abstract（参考訳）: 超音波舌輪郭分割は、限られたアノテーション、プローブの可変性、取得ノイズがモデル一般化を劣化させるような、クロスデータセットドメインシフトの下では依然として困難である。 軽量UltraUNetバックボーン上に構築した頑健な超音波舌分割のためのソースフリードメイン適応フレームワークを提案する。 5つのラベル付きソースイメージに事前トレーニングされたチェックポイントから、未適合の制約されたソースモデルをシミュレートし、提案手法は、擬似ラベルを反復的に精製し、輪郭ベースの品質制御モジュールで信頼できないマスクをフィルタリングし、セグメント化誘導条件付きGANを介してターゲットスタイルの合成画像マスクペアを生成することにより、完全にラベル付けされたターゲットドメインに適応する。 学生モデルは、クリーンな擬似ラベル付きターゲット画像、一貫性の規則化を伴うノイズのある擬似ラベル、および合成サンプルの混合に基づいて訓練され、ソースデータにアクセスせずにクローズループ適応を可能にする。 本手法は8つの超音波舌画像データセットにまたがる12個のソース・ターゲット・トランスファー・ペアについて評価し,ソース・サイズ・スケール実験とアブレーション実験を行った。 すべての比較において、提案するフレームワークは、教師付きを含むベースライン上のセグメンテーションオーバーラップと輪郭精度を改善している。 以上の結果から,課題特異的な擬似ラベル改善と合成目標型拡張は,超音波舌画像のソースフリー適応を著しく改善する可能性が示唆された。

関連論文リスト

• SymmAdapt: Symmetrical Flow Matching for Source-Free Domain Adaptation in Medical Image Segmentation [0.8717253904965373]
  ソースフリーなアン教師なしドメイン適応(SFUDA)は、センシティブなソースデータにアクセスすることなく、未ラベルのターゲットドメインに事前訓練されたモデルを適用する。 対称フローマッチングに基づく新しいSFUDAフレームワークを提案する。 腹部多臓器・心臓の分節,MRI->CTシフト,多部位前立腺分節について検討した。
  論文  参考訳（メタデータ） (2026-08-23T18:09:39Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment [3.2371089062298317]
  Grad-CLは、新しいソースフリーなドメイン適応フレームワークである。 ソースデータへのアクセスを必要とせずにセグメンテーションのパフォーマンスに適応する。 最先端の教師なしおよびソースフリーなドメイン適応手法より優れています。
  論文  参考訳（メタデータ） (2025-09-12T10:51:46Z)
• ERSR: An Ellipse-constrained pseudo-label refinement and symmetric regularization framework for semi-supervised fetal head segmentation in ultrasound images [11.602941736726633]
  胎児頭部超音波セグメント化のための新しい半教師付きフレームワークERSRを提案する。 本フレームワークは, 二重符号化適応フィルタリング戦略, 楕円制約付き擬ラベル改良, 対称性に基づく多重整合正則化からなる。 提案手法は,2つのベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-27T12:01:57Z)
• ElimPCL: Eliminating Noise Accumulation with Progressive Curriculum Labeling for Source-Free Domain Adaptation [12.088386261002762]
  Source-Free Domain Adaptation (SFDA)は、ソースデータなしでターゲットモデルをトレーニングすることを目的としており、キーは擬似ラベルを生成することである。 情報源モデルは、ハードサンプル、特にドメインシフトに大きく影響されたサンプルに対して、非常に不確実な擬似ラベルを生成することが多いことを観察する。 本稿では,信頼に値する疑似ラベル付きサンプルを反復的にフィルタリングする新しいプログレッシブ・キュリキュラム・ラベリング法を提案する。 広範囲にわたる実験により、ElimPCLの有効性が検証され、課題に対して最大3.4%の改善が達成された。
  論文  参考訳（メタデータ） (2025-03-31T04:28:27Z)
• HisynSeg: Weakly-Supervised Histopathological Image Segmentation via Image-Mixing Synthesis and Consistency Regularization [15.13875300007579]
  HisynSegは画像混合合成と一貫性正規化に基づく弱教師付きセマンティックセマンティックセマンティクスフレームワークである。 HisynSegは3つのデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-30T13:10:48Z)
• Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
  そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。 手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。 本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-04-10T07:34:37Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Cross-modal tumor segmentation using generative blending augmentation and self training [1.6440045168835438]
  本稿では,新しいデータ拡張手法によって強化された従来の画像合成に基づくクロスモーダルセグメンテーション手法を提案する。 Generative Blending Augmentation (GBA)は、単一のトレーニング画像から代表的生成特徴を学習し、腫瘍の外観を現実的に多様化させる。 提案手法は,MICCAI CrossMoDA 2022 チャレンジの検証および試験段階において,前庭神経ショーノマ(VS)セグメンテーションにおいて第1位となった。
  論文  参考訳（メタデータ） (2023-04-04T11:01:46Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation [58.61946589036262]
  本稿では,ブラックボックスモデルを用いて,擬似ラベル付きターゲットデータのみにアクセス可能な実用的なドメイン適応(DA)セマンティックセマンティックセマンティクス問題について検討する。 ドメインギャップと2つのドメイン間のラベルシフトのため、擬似ラベル付きターゲットデータには、クローズドセットとオープンセットのラベルノイズが混在している。 DAセマンティックセグメンテーションにおける混合雑音分布をモデル化し、SimTの推定として問題を定式化するための単純なノイズ遷移行列(SimT)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T02:48:08Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。