論文の概要: Sam-Correction: Fully Adaptive Label Noise Reduction for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.32377v1
• Date: Fri, 23 Oct 2026 09:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.443084
• Title: Sam-Correction: Fully Adaptive Label Noise Reduction for Medical Image Segmentation
• Title（参考訳）: Sam-Correction:医療画像分割のための完全適応ラベルノイズ低減
• Abstract要約: 医用画像のセグメンテーションは、一貫したアノテーションの難しさのために、しばしばノイズの多い基底真理(GT)マスクに悩まされる。 本稿では,ノイズの多いGTマスクを適応的に補正する基礎モデルを用いたSAM-Correctionを提案する。 本手法は,クリーンラベルが全く利用できない場合でも,ロバストなモデルトレーニングの道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The quality of the teacher label has a dramatic impact on the outcome of the machine learning process. Medical image segmentation often suffers from a noisy ground truth (GT) mask due to difficulties in consistent annotation. Although a recent study has proposed a promising method to curate the noisy GT mask, this requires additional well-curated GT masks that are not always accessible without the aid of multiple medical experts. As an alternative, we propose SAM-Correction, which utilizes a foundation model to correct the noisy GT mask in a fully adaptive manner instead of manually preparing well-curated masks. In our approach, we progressively mitigate label noise via the segment anything model (SAM), where prompts are given from another segmentation network that we train concurrently. Experiments with various types of label noise derived from actual human annotations demonstrate that SAM-C achieves precise noise reduction and high-performing segmentation models trained thereby. Our method paves the way for robust model training even when clean labels are entirely unavailable.
• Abstract（参考訳）: 教師ラベルの品質は、機械学習プロセスの結果に劇的な影響を及ぼす。 医用画像のセグメンテーションは、一貫したアノテーションの難しさのために、しばしばノイズの多い基底真理(GT)マスクに悩まされる。 近年の研究では、ノイズの多いGTマスクを治すための有望な方法が提案されているが、複数の医療専門家の助けなしには、常にアクセスできない、より精巧なGTマスクが必要である。 提案するSAM-Correctionは,ノイズの多いGTマスクを手動で調整するのではなく,完全に適応的に補正する基礎モデルである。 提案手法では,S segment Any Model (SAM) を用いてラベルノイズを段階的に軽減し,同時にトレーニングする別のセグメンテーションネットワークからプロンプトを付与する。 実際の人間のアノテーションから得られた様々な種類のラベルノイズを用いた実験は、SAM-Cが正確なノイズ低減と高い性能のセグメンテーションモデルを実現することを示す。 本手法は,クリーンラベルが全く利用できない場合でも,ロバストなモデルトレーニングの道を開く。

関連論文リスト

• Co-distilled attention guided masked image modeling with noisy teacher for self-supervised learning on medical images [5.248922934004839]
  Masked Image Modeling (MIM) は、注釈のないデータから有用な特徴表現を抽出する、非常に効果的な自己教師付き学習(SSL)アプローチである。 我々は,Swin の注意誘導型マスキング機構を導入し,意味的共起・識別的パッチを選択的にマスキングする。 本研究はDAGMaNの肺結節分類,免疫療法成績予測,腫瘍の分節化,非管理臓器のクラスタリングなど,複数のタスクにおける能力を示す。
  論文  参考訳（メタデータ） (2026-04-16T00:43:39Z)
• Semi-Supervised Biomedical Image Segmentation via Diffusion Models and Teacher-Student Co-Training [7.915123555266876]
  セマンティックセグメンテーションの深層学習は, 医用画像の解剖学的, 病理学的構造を正確に同定する上で, 優れた成果を上げている。 多くの場合、大きなアノテートされたトレーニングデータセットを必要とするため、臨床環境でのスケーラビリティが制限される。 本稿では, バイオメディカルイメージセグメンテーションのための半教師型教員学生フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-04-02T09:41:43Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• False Negative/Positive Control for SAM on Noisy Medical Images [10.654917277821495]
  Segment Anything Model (SAM) は画像セグメンテーションのための全範囲基盤モデルである。 医療画像のセグメンテーションにおけるSAMの性能向上を目的とした改良されたテストフェーズプロンプト拡張手法を提案する。 ノイズの多い低コントラストの医用画像においても,SAMの有効利用が可能となった。
  論文  参考訳（メタデータ） (2023-08-20T23:01:46Z)
• Vision Transformers Are Good Mask Auto-Labelers [100.72155356710914]
  視覚変換器はマスク自動標識器として優れていることを示す。 MALはボックスクロッピングされた画像を入力として取り、マスクの擬似ラベルを条件付きで生成する。 MAL生成マスクを使用してトレーニングされたインスタンスセグメンテーションモデルは、完全に教師されたマスクのパフォーマンスとほぼ一致する。
  論文  参考訳（メタデータ） (2023-01-10T18:59:00Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Open-Vocabulary Instance Segmentation via Robust Cross-Modal Pseudo-Labeling [61.03262873980619]
  Open-vocabularyのインスタンスセグメンテーションは、マスクアノテーションなしで新しいクラスをセグメンテーションすることを目的としている。 本研究では,字幕内の単語の意味を画像中のオブジェクトマスクの視覚的特徴と整合させることで,擬似マスクの訓練を行うクロスモーダルな擬似ラベルフレームワークを提案する。 我々のフレームワークは、生徒の自己学習のための単語意味論を通じて、キャプションに新しいクラスをラベル付けすることができる。
  論文  参考訳（メタデータ） (2021-11-24T18:50:47Z)
• Annotation-Efficient Learning for Medical Image Segmentation based on Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
  医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。 我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。 基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2020-12-29T03:22:41Z)

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。