論文の概要: Confidence-Aware Teacher-Student Distillation for 3D Medical Segmentation

• arxiv url: http://arxiv.org/abs/2609.23815v1
• Date: Sun, 20 Sep 2026 19:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.003139
• Title: Confidence-Aware Teacher-Student Distillation for 3D Medical Segmentation
• Title（参考訳）: 3Dメディカルセグメンテーションにおける教師の信頼感
• Abstract要約: この研究は、極端なアノテーションの間隔から3D解剖学的構造全体を予測するという課題に対処する。 1ボリュームあたりの2Dスライスに1組のポイントプロンプトしか必要としない自動3D医療セグメンテーションのためのフレームワークが提案されている。 我々のフレームワークは最先端の半教師付き手法より優れ、セグメンテーション性能は最大43.6%向上した。
• 参考スコア（独自算出の注目度）: 4.6838063911731025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation models typically rely on large amounts of densely annotated volumetric data, limiting their scalability across tasks and imaging modalities. This work addresses the challenge of predicting entire 3D anatomical structures from extreme annotation sparsity. An annotation-efficient student-teacher framework is proposed for automatic 3D medical segmentation that requires only a set of point prompts on a single 2D slice per volume, as input. A foundation model serves as an offline teacher, utilizing the provided point prompts from the selected slice to full-volume pseudo-annotations alongside their corresponding spatial confidence scores prior to student training. To mitigate the error propagation of noisy pseudo-annotations, a task-specific 3D student network is trained using a confidence-aware optimization strategy. By leveraging the teacher's pre-computed confidence scores, this strategy explicitly excludes statically uncertain regions of the pseudo-annotations from the loss calculation, while simultaneously emphasizing regions with higher confidence. Evaluated on 3D cardiac MRI datasets, our framework outperforms state-of-the-art semi-supervised methods, improving segmentation performance by up to 43.6%. Furthermore, it drastically reduces the manual annotation burden to just a few positive point prompts per volume, while improving surface boundary precision by up to 14.7% over the teacher and successfully recovering up to 34.1% of the performance gap toward the fully supervised upper bound.
• Abstract（参考訳）: 医用画像セグメンテーションモデルは通常、大量の注釈付きボリュームデータを頼りにしており、タスク間のスケーラビリティや画像のモダリティを制限している。 この研究は、極端なアノテーションの間隔から3D解剖学的構造全体を予測するという課題に対処する。 1ボリュームあたりの2Dスライスに一組のポイントプロンプトしか必要としない自動3D医療セグメンテーションのためのアノテーション効率のよい学生-教師フレームワークが提案されている。 基礎モデルはオフライン教師として機能し、選択されたスライスから提供されたポイントプロンプトを利用して、学生のトレーニングに先立って対応する空間的信頼度スコアとともにフルボリュームの擬似アノテーションを使用する。 ノイズの多い擬似アノテーションの誤り伝播を軽減するために,信頼度を考慮した最適化手法を用いて,タスク固有の3D学生ネットワークを訓練する。 この戦略は,教師の事前計算された信頼度を利用して,疑似アノテーションの静的に不確実な領域を損失計算から除外すると同時に,高い信頼度を持つ領域を同時に強調する。 3次元心MRIデータセットを用いて評価し,最先端の半教師あり手法より優れたセグメンテーション性能を最大43.6%向上させた。 さらに、教師よりも14.7%の精度で表面境界精度を向上し、完全に監督された上界へのパフォーマンスギャップの最大34.1%の回復に成功した。

関連論文リスト

• Medical Semantic Segmentation with Diffusion Pretrain [1.9415817267757087]
  近年のディープラーニングの進歩は、多くのコンピュータビジョンタスクの成功にロバストな特徴表現の学習が不可欠であることを示している。 本稿では,3次元医用画像データの複雑化に合わせて,解剖学的ガイダンスを持つ拡散モデルを用いた新しい事前学習戦略を提案する。 拡散過程において3次元の普遍的な身体部分座標を予測しガイダンスを与えるモデルを用いる。
  論文  参考訳（メタデータ） (2025-01-31T16:25:49Z)
• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Estimation and Analysis of Slice Propagation Uncertainty in 3D Anatomy Segmentation [5.791830972526084]
  3次元解剖学的セグメンテーションの監視手法は優れた性能を示すが、アノテートされたデータの可用性によって制限されることが多い。 この制限により、利用可能な無注釈データの豊富さと相まって、自己監督的なアプローチへの関心が高まっている。 スライス伝播は、スライス登録を自己監督のタスクとして活用し、最小限の監督で完全な解剖学的セグメンテーションを実現する自己監督のアプローチとして登場した。
  論文  参考訳（メタデータ） (2024-03-18T22:26:19Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• 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)
• Self-supervision on Unlabelled OR Data for Multi-person 2D/3D Human Pose Estimation [2.8802646903517957]
  2D/3D人間のポーズ推定は手術室のための新しいインテリジェントなツールを開発するために必要である。 本稿では,教師/学生のフレームワークにおける知識蒸留を用いて,大規模な非注釈データセットに存在する知識を活用することを提案する。 この効果的なセルフスーパービジョン戦略を用いてトレーニングされた容易にデプロイ可能なネットワークは、公開MVORデータセットの拡張であるemphMVOR+の教師ネットワークと同等に実行される。
  論文  参考訳（メタデータ） (2020-07-16T14:28:22Z)

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。