論文の概要: Weakly supervised neural network: segmentation of complex structures in X-ray microCT

• arxiv url: http://arxiv.org/abs/2609.07313v1
• Date: Mon, 07 Sep 2026 10:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.410205
• Title: Weakly supervised neural network: segmentation of complex structures in X-ray microCT
• Title（参考訳）: 弱教師付きニューラルネットワーク:X線マイクロCTにおける複雑な構造のセグメンテーション
• Abstract要約: 弱い教師付き深層学習は、正確なセグメンテーションを維持しつつ、アノテーションの労力を減らす戦略として研究されている。 nnU-Netフレームワークに基づく2次元畳み込みニューラルネットワークは、スパースドットベースのアノテーションを使用して弱い監視設定に適応した。 その結果, 厳密なラベルがなくても, 糸球体を確実に局在させることのできる, 弱監督が有意義な学習信号を提供することが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Segmentation of complex structures in X-ray tomographic data is a fundamental task in biomedical research, but it often requires large amounts of precisely annotated data, making fully supervised approaches costly and difficult to scale. In this study, weakly supervised deep learning is investigated as a strategy to reduce annotation effort while maintaining accurate segmentation. A two-dimensional convolutional neural network based on the nnU-Net framework was adapted to a weak supervision setting using sparse dot-based annotations, complemented by a limited number of fully segmented images. The approach was evaluated on high-resolution microCT slices of rat kidneys, targeting the segmentation of renal glomeruli, which are small, low-contrast anatomical structures. Results indicate that weak supervision provides a meaningful learning signal, enabling reliable localization of glomeruli even in the absence of dense labels. Incorporating a small set of high-quality annotations substantially improves segmentation performance, approaching that of a fully supervised model. These findings highlight the potential of weakly supervised learning as an annotation-efficient strategy for the analysis of complex structures in X-ray tomographic data, and suggest that alternative loss formulations tailored to sparse annotations may further enhance performance.
• Abstract（参考訳）: X線トモグラフィーデータにおける複雑な構造の分割は、生体医学研究の基本的な課題であるが、しばしば大量の正確な注釈データを必要とするため、完全に監督されたアプローチをコストがかかり、スケールすることが困難である。 本研究では, 高精度なセグメンテーションを維持しつつ, アノテーションの労力を削減する戦略として, 弱教師付き深層学習について検討した。 nnU-Netフレームワークに基づく2次元畳み込みニューラルネットワークは、スパースドットベースのアノテーションを使用して弱い監視設定に適応し、完全セグメント画像の限られた数で補完する。 この手法はラット腎の高分解能microCTスライスを用いて評価され,小,低コントラスト解剖学的構造である腎糸球体を標的とした。 その結果, 厳密なラベルがなくても, 糸球体を確実に局在させることのできる, 弱監督が有意義な学習信号を提供することが明らかとなった。 少数の高品質なアノテーションを組み込むことで、セグメンテーションのパフォーマンスが大幅に向上し、完全に教師されたモデルのアノテーションに近づきます。 これらの知見は、X線トモグラフィーデータにおける複雑な構造解析のためのアノテーション効率の高い手法として弱教師付き学習の可能性を強調し、スパースアノテーションに適した代替損失定式化により、さらなる性能向上が期待できる。

関連論文リスト

• GUMP-Net: An interpretable model-data-driven intelligent algorithm for multi-class pelvic segmentation [12.339621372508105]
  GUMP-Netは,多クラス骨盤分割のための解釈可能なモデルデータ駆動知能アルゴリズムである。 ペルビックデータセットの実験では,提案アルゴリズムの合理性と有効性を示す。 提案アルゴリズムは, 複雑なフラクチャー削減のための効率的なセグメンテーション法を提供するだけでなく, 深層学習セグメンテーションを理解するための解釈可能な幾何学的視点を与える。
  論文  参考訳（メタデータ） (2026-06-17T15:52:34Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• 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。