論文の概要: ConPro: Contrast Projection Pretraining for Label-Efficient Vessel Segmentation in DSA Sequences

• arxiv url: http://arxiv.org/abs/2609.30043v1
• Date: Thu, 24 Sep 2026 16:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.079649
• Title: ConPro: Contrast Projection Pretraining for Label-Efficient Vessel Segmentation in DSA Sequences
• Title（参考訳）: ConPro: DSAシークエンスにおけるラベル効率の良い血管分割のためのコントラスト予測
• Abstract要約: コントラストプロジェクションを目標とする自己教師型事前学習スキームであるConProを提案する。 DIASとDSCAでは、トレーニングケースの10%、20%、50%がラベル付けされている。
• 参考スコア（独自算出の注目度）: 10.200141497947236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dense vessel annotation in digital subtraction angiography (DSA) is labor-intensive, yet every unlabeled sequence records how contrast passes through the vessels. Semi-supervised methods take their targets from the current model, and generic self-supervised pretexts reconstruct static appearance, so this signal goes unused. We propose ConPro, a self-supervised pretraining scheme whose target is a contrast projection, the normalized drop of every pixel below its temporal median over the sequence. On DIAS and DSCA, with 10%, 20% and 50% of the training cases labeled, ConPro improves on training from scratch at every label fraction and is the best of the compared methods on DSCA at 20% and 50% labels. Controlled comparisons show that the gain comes from the target. A temporal-median target with the same input, loss and budget stays at scratch level, and using the projection directly instead of learning it, as an input channel or a pseudo-label, helps little or hurts. ConPro provides pretrained weights without changing the segmentation architecture, so it combines with semi-supervised training, and UniMatch, the strongest baseline, gains 0.5 to 2.0 Dice and 0.9 to 2.3 clDice at every label fraction when started from ConPro weights, reaching 75.4 Dice on DIAS and 81.3 on DSCA.
• Abstract（参考訳）: デジタルサブトラクション血管造影法(DSA)におけるデンス血管アノテーションは、労働集約的であるが、すべてのラベルのないシーケンスは、コントラストが血管を通過する方法を記録している。 半教師付き手法は現在のモデルからターゲットを抽出し、汎用的な自己教師付き前提文は静的な外観を再構築するので、この信号は使われない。 本稿では,コントラスト投影を目標とした自己教師型事前学習方式であるConProを提案する。 DIASとDSCAでは、トレーニングケースの10%、20%、50%がラベル付きで、ConProはラベルごとにスクラッチからトレーニングを改善する。 制御された比較は、ゲインがターゲットから来ていることを示している。 同じ入力、損失、予算を持つ時間中間ターゲットは、スクラッチレベルに留まり、入力チャネルや擬似ラベルとして学習する代わりに、プロジェクションを直接使用することは、ほとんど、またはほとんど役に立たない。 ConProは、セグメンテーションアーキテクチャを変更することなく事前訓練された重量を提供しており、半教師付きトレーニングと組み合わせて、最強のベースラインであるUniMatchは、ConProの重量から始めると、ラベルごとに0.5から2.0Diceと0.9から2.3clDiceを獲得し、DIASでは75.4Dice、DSCAでは81.3Diceに達する。

関連論文リスト

• CAST: Contrastive Adaptation and Distillation for Semi-Supervised Instance Segmentation [14.605642634292655]
  我々は,限定ラベル付きおよび豊富なラベル付きデータを用いて,事前学習された視覚基盤モデル(VFM)をコンパクトな専門家に圧縮する,半教師付き知識蒸留(SSKD)フレームワークであるCASTを紹介する。 1) 比較校正による自己訓練によるVFM(s)のドメイン適応,(2) 統合された多目的損失による知識伝達,(3) 残留する疑似ラベルバイアスを軽減するための学生の洗練,の3段階に展開する。
  論文  参考訳（メタデータ） (2025-05-28T02:45:42Z)
• ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
  ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。 最先端のデータセットよりも大幅に向上し、より高速に収束する。
  論文  参考訳（メタデータ） (2023-03-22T23:51:54Z)
• Diffusion Models and Semi-Supervised Learners Benefit Mutually with Few Labels [47.15381781274115]
  二重擬似訓練(DPT)と呼ばれる簡易かつ効果的な訓練戦略を提案する。 DPTは、擬似ラベルを予測するために部分的にラベル付きデータで分類器を訓練し、擬似ラベルを使って条件付き生成モデルを訓練して擬似画像を生成する。 クラスごとに1つまたは2つのラベルで、DPTはImageNet 256x256でFr'echet Inception Distance (FID)スコアが3.08または2.52に達する。
  論文  参考訳（メタデータ） (2023-02-21T10:24:53Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Deep Partition Aggregation: Provable Defense against General Poisoning Attacks [136.79415677706612]
  アドリアリン中毒は、分類器の試験時間挙動を損なうために訓練データを歪ませる。 毒殺攻撃に対する2つの新たな防御策を提案する。 DPAは一般的な中毒脅威モデルに対する認証された防御である。 SS-DPAはラベルフリップ攻撃に対する認証された防御である。
  論文  参考訳（メタデータ） (2020-06-26T03:16:31Z)

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。