論文の概要: Reliability-Role Collaborative Learning for Semi-Supervised Cardiac Image Segmentation

• arxiv url: http://arxiv.org/abs/2611.04219v1
• Date: Tue, 03 Nov 2026 03:01:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:42:32.590749
• Title: Reliability-Role Collaborative Learning for Semi-Supervised Cardiac Image Segmentation
• Title（参考訳）: 半スーパービジョン心画像分割のための信頼性-ロール協調学習
• Abstract要約: 半教師付き心筋画像セグメンテーションは、豊富な未ラベル画像と限られたアノテーションを活用することを目的としている。 デュアルネットワーク環境では、内部領域は通常より安定であるが、境界領域、低信頼領域、およびネットワーク間の不一致はノイズの監督をもたらす。 R2CL(Reliability-Role Collaborative Learning)は半教師付き心臓画像分割のためのフレームワークである。
• 参考スコア（独自算出の注目度）: 27.736636065270464
• License:
• Abstract: Semi-supervised cardiac image segmentation aims to exploit abundant unlabeled images together with limited annotations, but the reliability of pseudo-label supervision is highly uneven across spatial regions. In a dual-network setting, interior regions are usually more stable, whereas boundary regions, low-confidence areas, and disagreements between networks can introduce noisy supervision. However, existing methods typically impose uniform supervision on all unlabeled pixels, overlooking reliability differences and limiting discriminative learning in challenging areas. To address this issue, we propose R2CL (Reliability-Role Collaborative Learning), a framework for semi-supervised cardiac image segmentation. R2CL models confidence relationships between two networks to assign roles to unlabeled regions: mutually uncertain regions are used for entropy regularization, confidence-discrepant regions for directional knowledge transfer, and mutually confident regions as reliable supervision anchors. Reliability-Role Mixed Cross Learning (RR-MCL) implements these roles through region-mixed training, directional cross-network supervision, and entropy regularization over mutually uncertain regions. Reliability-Transition Prototype Contrastive Learning (RT-PCL) constructs query features from foreground-adjacent reliability-transition regions and learns network-specific class prototypes from mutually confident regions, improving feature discrimination around ambiguous boundaries. High-confidence Context Refinement (HCR) exploits reliable interior pixels and trusted dense blocks within mutually confident regions to complement stable contextual supervision. R2CL achieves stable improvements in region-overlap and boundary-related metrics across multiple datasets, with more evident advantages on the foreground-sparse MVAA-CT dataset.
• Abstract（参考訳）: 半教師付き心画像分割は, 少ないアノテーションとともに, 豊富な未ラベル画像を活用することを目的としているが, 擬似ラベル画像の信頼性は空間的に極めて不均一である。 デュアルネットワーク環境では、内部領域は通常より安定であるが、境界領域、低信頼領域、およびネットワーク間の不一致はノイズの監督をもたらす。 しかし、既存の手法では、通常、ラベルのないすべてのピクセルに対して一様に監督を課し、信頼性の違いを見落とし、挑戦的な領域における差別的学習を制限する。 本稿では,半教師付き心臓画像セグメント化のためのフレームワークであるR2CL(Reliability-Role Collaborative Learning)を提案する。 R2CLは、2つのネットワーク間の信頼関係をモデル化し、非ラベル領域に役割を割り当てる。 Reliability-Role Mixed Cross Learning (RR-MCL) は、これらの役割を、地域混合トレーニング、指向性ネットワーク監視、および互いに不確実な地域に対するエントロピー正規化を通じて実現している。 Reliability-Transition Prototype Contrastive Learning (RT-PCL) は、前景の信頼性トランジション領域からクエリ機能を構築し、相互に自信のある領域からネットワーク固有のクラスプロトタイプを学習し、曖昧な境界周辺の特徴識別を改善する。 HCR(High-confidence Context Refinement)は、安定したコンテキスト管理を補完するために、相互信頼領域内の信頼性の高い内部画素と信頼性の高い高密度ブロックを利用する。 R2CLは、複数のデータセットにわたるリージョンオーバーラップとバウンダリ関連メトリクスの安定した改善を実現している。

関連論文リスト

• Registration-Grounded Spectral Fusion for Unregistered WLI/NBI Endoscopic Lesion Segmentation [87.5409605461001]
  ホワイトライト・イメージング (WLI) と狭帯域・イメージング (NBI) は内視鏡的病変を補完する画像を提供する。 彼らの対の観測はしばしば、視点の変化、組織変形、シーケンシャルハンドヘルド取得によって空間的に不一致である。 We propose a reliability-aware complex-domain fusion framework for paired-but-unregistered WLI/NBI lesion segmentation。
  論文  参考訳（メタデータ） (2026-07-29T02:09:28Z)
• OmniISR: A Unified Framework for Centralized and Federated Learning via Intermediate Supervision and Regularization [58.03221830946145]
  我々は、純粋なCL、純粋なFL、ハイブリッドCL-FLトレーニングモードを融合する統合フレームワークであるOmniISRを提案する。 我々は,OmniISRが集中型パラダイムとフェデレーション型パラダイムの両方において,モデル性能を一貫して改善していることを示す。
  論文  参考訳（メタデータ） (2026-05-19T04:13:27Z)
• RACANet: Reliability-Aware Crowd Anchor Network for RGB-T Crowd Counting [15.536708520170095]
  RGB-Thermal (T) の群集カウントは、複雑な場面における群集密度推定の堅牢性を改善するために可視スペクトルと熱赤外情報を統合することを目的としている。 本稿では,RGB-Tクラウドカウントのための2段階融合フレームワークRACANetを提案する。 広く使用されている2つのベンチマークデータセット、RGBT-CCとDrone-RGBTで実施された実験は、RACANetが既存の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-04-27T14:38:49Z)
• An Explainable Federated Framework for Zero Trust Micro-Segmentation in IIoT Networks [0.0]
  IIoTネットワークにおけるZero Trustマイクロセグメンテーションのための説明可能なフェデレートオートエンコーダ-ハイパーグラフフレームワークであるEFAH-ZTMを提案する。 マイクロセグメントを生成するためにMiniBatch KMeansとHDBSCANクラスタリング技術を適用した。 実験により,HDBSCANは最も高い構造的品質を達成し,多様体ベースのハイパーグラフは最適なオラクル整合セキュリティ効果が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-25T19:26:08Z)
• Logit Calibration and Feature Contrast for Robust Federated Learning on Non-IID Data [45.11652096723593]
  Federated Learning(FL)は、エッジネットワークのデバイス上で協調的なモデルトレーニングを行うための、プライバシ保護のための分散フレームワークである。 本稿では,ローカルロジットアンダーラインキャリブレーションとグローバル機能アンダーラインコントラストを,ロジットと特徴の両方の観点から,バニラフェデレーション付き対人訓練プロセスに組み込んだFatCCを提案する。
  論文  参考訳（メタデータ） (2024-04-10T06:35:25Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Region-level Contrastive and Consistency Learning for Semi-Supervised Semantic Segmentation [30.1884540364192]
  半教師付きセマンティックセグメンテーションのための領域レベルのコントラスト・一貫性学習フレームワーク(RC2L)を提案する。 具体的には、まず、地域マスクコントラスト(RMC)損失と地域特徴コントラスト(RFC)損失を、地域レベルのコントラスト特性を達成するために提案する。 提案する領域レベルのコントラストと一貫性の規則化に基づいて,半教師付きセマンティックセグメンテーションのための領域レベルのコントラストと一貫性の学習フレームワーク(RC2L)を開発する。
  論文  参考訳（メタデータ） (2022-04-28T07:22:47Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Domain Adaptive Semantic Segmentation with Regional Contrastive Consistency Regularization [19.279884432843822]
  本稿では,領域適応型セマンティックセマンティックセグメンテーションのための局所コントラスト整合正規化(RCCR)と呼ばれる,新しいエンドツーエンドのトレーニング可能なアプローチを提案する。 私たちの中核となる考え方は、異なる画像の同じ位置から抽出された類似の地域的特徴を取り除き、その一方、2つの画像の異なる位置から特徴を分離することです。
  論文  参考訳（メタデータ） (2021-10-11T11:45:00Z)
• Local Relation Learning for Face Forgery Detection [73.73130683091154]
  局所的関係学習による顔の偽造検出の新たな視点を提案する。 具体的には,局所的な特徴間の類似度を測定するMPSM(Multi-scale Patch similarity Module)を提案する。 また、より包括的な局所特徴表現のために、RGBおよび周波数領域の情報を融合するRGB-Frequency Attention Module (RFAM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T10:44:32Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)

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。