論文の概要: Deep Auxiliary Learning via Bilevel Feature Optimization for Label-Efficient Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.26954v1
• Date: Sun, 18 Oct 2026 10:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.407217
• Title: Deep Auxiliary Learning via Bilevel Feature Optimization for Label-Efficient Medical Image Segmentation
• Title（参考訳）: ラベル効率の良い医用画像セグメンテーションのための双方向特徴最適化による深層補助学習
• Abstract要約: 本稿では,二段階最適化問題として定式化された新しい補助学習フレームワークを提案する。 本手法は,機能通信モジュールによるタスク間の効果的な知識伝達を可能にする。 その結果,最先端手法に対する一貫した改善が示された。
• 参考スコア（独自算出の注目度）: 11.560239172875137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auxiliary learning (AL), which can improve the performance of a primary task by leveraging related auxiliary tasks, is commonly regarded as a special case of multi-task learning. Existing AL approaches typically require manually annotated auxiliary labels, increasing annotation costs, particularly in medical imaging where expert labeling is expensive. In this work, we investigate whether segmentation performance can be improved using auxiliary tasks whose labels are automatically derived from existing segmentation annotations, requiring no additional manual labeling. To address this, we propose a novel auxiliary learning framework, formulated as a bilevel optimization problem. Our method enables effective knowledge transfer between tasks via a feature communication module, enhancing the primary segmentation task. We evaluate the method on three medical image segmentation benchmarks under limited-label settings. The results demonstrate consistent improvements over state-of-the-art methods, achieving superior label efficiency. The code is publicly available at https://github.com/FupingWu90/ALBO.
• Abstract（参考訳）: 補助学習(AL)は、主にマルチタスク学習の特殊な場合として、関連する補助的タスクを活用することにより、一次タスクの性能を向上させることができる。 既存のALアプローチでは、手動で注釈付けされた補助ラベルが必要であり、特に専門家のラベル付けが高価である医療画像において、アノテーションのコストが増大する。 本研究では,既存のセグメンテーションアノテーションからラベルを自動的に抽出する補助タスクを用いて,手作業によるラベリングを必要としないセグメンテーション性能を向上できるかどうかを検討する。 そこで本研究では,二段階最適化問題として定式化された新しい補助学習フレームワークを提案する。 提案手法は,機能通信モジュールを介してタスク間の効果的な知識伝達を可能にし,主要なセグメンテーションタスクを増強する。 本手法は,3つの医用画像セグメンテーションベンチマークにおいて,限定ラベル設定で評価する。 その結果,最先端手法よりも一貫した改善が得られ,ラベル効率が向上した。 コードはhttps://github.com/FupingWu90/ALBOで公開されている。

関連論文リスト

• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task Deep Network for Medical Image Semantic Segmentation [18.066680957993494]
  医用画像セグメンテーションのための深層マルチタスク学習法を提案する。 教師なしの方法で補助作業の擬似ラベルを生成する。 本手法は, 対数部法と比較して連続的に性能を向上する。
  論文  参考訳（メタデータ） (2022-04-02T23:50:29Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• Learning to segment images with classification labels [0.0]
  本稿では,画像レベルのラベルを用いることで,セグメンテーションレベルの真実の要求を緩和できるアーキテクチャを提案する。 実験では,クラス毎に1つのセグメンテーションレベルのアノテーションしか使用せず,完全に注釈付けされたデータセットに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2019-12-28T22:01:39Z)

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。