論文の概要: ThreshGuide: Class-Aware Labeled-Guided Thresholding for Semi-Supervised 3D Abdominal Multi-Organ Segmentation

• arxiv url: http://arxiv.org/abs/2609.14943v1
• Date: Mon, 14 Sep 2026 02:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.036005
• Title: ThreshGuide: Class-Aware Labeled-Guided Thresholding for Semi-Supervised 3D Abdominal Multi-Organ Segmentation
• Title（参考訳）: ThreshGuide: セミスーパービジョン3次元腹部多臓器切離に対するクラスアウェアラベル付きガイド下手術
• Abstract要約: ThreshGuideは、ラベル付きデータを使用してラベルなしデータの擬似ラベル選択をガイドする、クラス対応しきい値適応フレームワークである。 FLARE2022とAMOS2022の実験では、ThreshGuideは全体的に競争力を発揮している。
• 参考スコア（独自算出の注目度）: 3.770501032214957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pseudo-labeling is a strong paradigm for semi-supervised medical image segmentation, yet its effectiveness is highly sensitive to confidence thresholding. In abdominal multi-organ segmentation, a fixed global threshold is particularly suboptimal because organ classes differ substantially in size, appearance, and learning difficulty. In this work, we propose ThreshGuide, a class-aware threshold adaptation framework that uses labeled data to guide pseudo-label selection on unlabeled data. Built upon a standard teacher-student architecture, the teacher model evaluates labeled samples during training to estimate class-aware threshold targets by maximizing an error-aware F\b{eta} criterion that balances precision and coverage. These targets are then smoothed with an exponential moving average (EMA) and used to filter unlabeled voxels in a class-dependent manner. Experiments on FLARE2022 and AMOS2022 show that ThreshGuide performs competitively overall, yielding clear improvements specifically on hard-to-learn organs.
• Abstract（参考訳）: Pseudo-labelingは半教師付き医用画像セグメンテーションの強力なパラダイムであるが、その有効性は信頼性閾値に非常に敏感である。 腹部多臓器セグメンテーションでは,臓器のクラスはサイズ,外観,学習困難で大きく異なるため,固定的大域しきい値が特に最適以下である。 本研究では、ラベル付きデータを用いてラベル付きデータの擬似ラベル選択を誘導するクラス認識しきい値適応フレームワークThreshGuideを提案する。 標準教師学生アーキテクチャに基づいて、教師モデルはトレーニング中のラベル付きサンプルを評価し、精度とカバレッジのバランスをとる誤り認識F\b{eta}基準を最大化する。 これらのターゲットは指数移動平均(EMA)で滑らかにされ、クラス依存の方法でラベルのないボクセルをフィルタリングするために使用される。 FLARE2022 と AMOS2022 の実験では、ThreshGuide は総合的に競争力があり、学習困難な臓器に対して明確な改善が得られた。

関連論文リスト

• Real-World Point Tracking with Verifier-Guided Pseudo-Labeling [57.82074913456958]
  本稿では,トラッカー予測の信頼性を学習し,擬似ラベル生成を導くメタモデルである検証器を紹介する。 提案手法は,従来の自己学習手法よりも少ないデータを必要とする一方で,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2026-03-12T17:40:52Z)
• SPARSE Data, Rich Results: Few-Shot Semi-Supervised Learning via Class-Conditioned Image Translation [1.1849561189229352]
  深層学習は医療画像に革命をもたらしたが、その効果は不十分なラベル付きデータによって著しく制限されている。 本稿では,低ラベルデータ体制に特化して設計された,新しいGANベースの半教師付き学習フレームワークを提案する。 このアプローチでは,クラス条件付き画像翻訳用のジェネレータ,認証評価と分類のための識別器,専用分類器という,3つの特殊なニューラルネットワークを統合した。
  論文  参考訳（メタデータ） (2025-08-08T16:16:43Z)
• Versatile Teacher: A Class-aware Teacher-student Framework for Cross-domain Adaptation [2.9748058103007957]
  私たちはVersatile Teacher(VT)という新しい教師学生モデルを紹介します。 VTはクラス固有の検出困難を考慮し、2段階の擬似ラベル選択機構を用いてより信頼性の高い擬似ラベルを生成する。 提案手法は,3つのベンチマークデータセットに対して有望な結果を示し,広範に使用されている1段検出器のアライメント手法を拡張した。
  論文  参考訳（メタデータ） (2024-05-20T03:31:43Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Combining Hybrid Architecture and Pseudo-label for Semi-supervised Abdominal Organ Segmentation [8.392397691020232]
  本研究では,CNNとTransformerのハイブリッドアーキテクチャ(PHTrans)を教師モデルと学生モデルの両方に適用し,正確な擬似ラベルを生成する。 FLARE2022の検証実験により,提案手法は高速かつ低リソースなモデル推論だけでなく,セグメンテーション性能にも優れることを示した。
  論文  参考訳（メタデータ） (2022-07-23T13:02:43Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• 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)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• 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)

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。