論文の概要: Self-training for cross-centre coronary vessel segmentation in X-ray angiography using pre-contrast frame subtraction

• arxiv url: http://arxiv.org/abs/2610.40302v1
• Date: Thu, 29 Oct 2026 15:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.108033
• Title: Self-training for cross-centre coronary vessel segmentation in X-ray angiography using pre-contrast frame subtraction
• Title（参考訳）: コントラスト前フレームサブトラクションを用いたX線血管造影における冠動脈断面積の自己訓練
• Abstract要約: 擬似ラベルを用いた自己学習が,手作業によるアノテーションを伴わずに,外部データの性能を向上させることができるかどうかを検証した。 我々はARCADEと2つの外部データセット(XCADとXACV)で6つのモデルを訓練した。 ベースライン予測で初期化された第1ラウンドモデルはすべて、同じ数のエポックに対して微調整された制御モデルとベースラインよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.26097841018267615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for coronary vessel segmentation in X-ray angiography often perform poorly on data from centres that were not represented in training. Apart from differences in equipment, the labels of the largest public dataset (ARCADE) are incomplete, as only the segments defined in the SYNTAX score are annotated. In this study, we evaluated whether self-training with pseudo-labels can improve performance on external data without additional manual annotation. Pseudo-labels were generated from two sources, namely the predictions of an nnU-Net model trained on ARCADE and a contrast map obtained by subtracting a pre-contrast frame from the same sequence. The nnU-Net predictions were extended along the contrast map, and pixels detected only in the subtraction image were assigned an ignore label and excluded from the loss. Six models were trained and tested on ARCADE and on two external datasets (XCAD and XACV). All first-round models initialised with the baseline predictions performed better than both the baseline and a control model fine-tuned for the same number of epochs. The model trained on the XCAD pool improved the macro-averaged Dice score by 2.7 points (95% CI 2.3-3.2), while the control decreased it by 0.6 points. A second round of self-training did not lead to further improvement. When an external model trained on 50 fully annotated images was used to generate the initial labels, the XCAD Dice score increased from 0.623 to 0.745 without any XCAD labels, although performance on XACV did not improve because large main vessels were missed. These results suggest that the benefit of self-training depends largely on the sensitivity of the model used to generate the initial pseudo-labels.
• Abstract（参考訳）: X線血管セグメンテーションのための深層学習モデルは、訓練では表現されなかったセンターのデータに対して、しばしば不十分に機能する。 機器の違いは別として、SynTAXスコアで定義されたセグメントだけが注釈付けされているため、最大のパブリックデータセット(ARCADE)のラベルは不完全である。 本研究では,擬似ラベルを用いた自己学習が,手作業によるアノテーションを伴わずに,外部データの性能を向上させることができるかどうかを検証した。 Pseudo-labelsは、ARCADEで訓練されたnnU-Netモデルの予測と、コントラスト前のフレームを同じシーケンスから抽出したコントラストマップの2つのソースから生成される。 nnU-Net予測はコントラストマップに沿って拡張され、サブトラクション画像でのみ検出された画素は無視ラベルを付与され、損失から除外された。 6つのモデルをARCADEと2つの外部データセット(XCADとXACV)でトレーニングし、テストした。 ベースライン予測で初期化された第1ラウンドモデルはすべて、同じ数のエポックに対して微調整された制御モデルとベースラインよりも優れた性能を示した。 XCADプールでトレーニングされたモデルは、マクロ平均Diceスコアを2.7ポイント(95% CI 2.3-3.2)改善し、コントロールは0.6ポイント削減した。 第2ラウンドの自己訓練は更なる改善には至らなかった。 XCAD DiceスコアはXCADラベルなしで0.623から0.745まで上昇したが、XACVの性能は大きな船体が欠落していたため改善されなかった。 これらの結果は、自己学習の利点は、初期擬似ラベルを生成するために使用されるモデルの感度に大きく依存していることを示唆している。

関連論文リスト

• Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
  我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。 本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
  論文  参考訳（メタデータ） (2026-09-20T11:08:19Z)
• Unsupervised spiking feature learning for event-based pedestrian crossing detection: approaching supervised accuracy without labelled training data [0.0]
  我々は、最新のDVS-PedX歩行者横断ベンチマークにおいて、教師なしの結果を報告した。 スパイクタイピング依存のプラスチックで訓練された単一のスパイク層は、乱れのないイベントフレームパッチから辞書を学習する。
  論文  参考訳（メタデータ） (2026-09-15T20:07:06Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Unsupervised Semantic Segmentation in Synchrotron Computed Tomography with Self-Correcting Pseudo Labels [2.3100447881717345]
  ディープラーニングは、さまざまなデータ駆動ソリューションを提供する強力なツールとして登場した。 本稿では,大規模で高解像度なSR-CTデータセットの自動セグメンテーションを可能にする新しいフレームワークを提案する。 提案手法は,基本となる擬似ラベルに対して,画素精度とmIoUをそれぞれ13.31%,mIoUを15.94%向上させる。
  論文  参考訳（メタデータ） (2026-02-27T23:15:41Z)
• Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
  本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。 提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
  論文  参考訳（メタデータ） (2024-02-05T20:08:53Z)
• Semi-Supervised 2D Human Pose Estimation Driven by Position Inconsistency Pseudo Label Correction Module [74.80776648785897]
  i) 大規模モデルと軽量モデルの間で対話的なトレーニングを行う場合, 大規模モデルのガイドに擬似的な軽量モデルラベルを用いる。 位置整合性擬似ラベル補正モジュール(SSPCM)により駆動される半教師付き2次元ポーズ推定フレームワークを提案する。 学生モデルの性能向上のために,擬似キーポイント認識に基づく半教師付きカットオクルードを用いて,より硬く効果的なサンプルを生成する。
  論文  参考訳（メタデータ） (2023-03-08T02:57:05Z)
• Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition [98.25592165484737]
  CMPL(Cross-Model Pseudo-Labeling)と呼ばれる,より効果的な擬似ラベル方式を提案する。 CMPLは、それぞれRGBモダリティとラベル付きデータのみを使用して、Kinetics-400とUCF-101のTop-1の精度を17.6%と25.1%で達成している。
  論文  参考訳（メタデータ） (2021-12-17T18:59:41Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。