疑似ラベルの領域分割に基づく半教師あり医用画像セグメンテーションのためのシナジーガイド型学習手法
本稿では、ラベル付けされたデータが少ない状況下での医用画像セグメンテーションの精度向上のため、疑似ラベルの信頼性評価に基づいて学習領域を分割し、それぞれに適した損失関数を適用するSGRS-Netと呼ばれる新たな半教師あり学習フレームワークを提案する。
SemSim: 医用画像セグメンテーションのための、意味的類似性に基づいた、弱一致から強一致への再考
本稿では、ラベル付けされたデータが少ない状況下での医用画像セグメンテーションにおいて、FixMatchの弱一致から強一致への枠組みを、意味的類似性の観点から再考し、精度向上を実現する新しい半教師あり学習フレームワーク「SemSim」を提案する。
医療画像セグメンテーションにおける半教師あり学習のためのAttention-Guided Perturbationを用いた一貫性正則化
本稿では、ラベル付けされたデータが少ない状況下で、医用画像セグメンテーションの精度を向上させるために、Attention-Guided Perturbationを用いた新しい半教師あり学習フレームワーク「AIGCMatch」を提案する。
半教師あり医用画像セグメンテーションのための学生間の差異に基づく修正学習
本研究は、教師-学生フレームワークに基づく半教師あり医用画像セグメンテーションの手法を提案する。提案手法は、2つの構造の異なる学生と1つの非学習教師を用いて、学生間の差異を活用して自己修正学習を行う。これにより、確認バイアスや認知バイアスを軽減し、セグメンテーション精度を向上させることができる。
ラグランジュ双対性と複合マルチ注意トランスフォーマーを用いた半教師あり医用画像セグメンテーション
提案したCMAformerモデルは、ResUNetとトランスフォーマーの長所を融合し、空間注意とチャンネル注意を多スケールで効果的に統合することで、医用画像セグメンテーションの性能を大幅に向上させている。また、ラグランジュ双対性に基づく一貫性損失関数を提案し、少量の教師データでも高精度なセグメンテーションを実現している。
半教師あり医用画像セグメンテーションの強化のための摂動戦略と知識蒸留を用いたCrossMatch
CrossMatchは、画像レベルと特徴レベルの摂動戦略を統合し、自己知識蒸留を活用することで、限られた教師付きデータと大量の教師なしデータを効果的に活用し、医用画像セグメンテーションの精度と頑健性を大幅に向上させる。
半教師あり医用画像セグメンテーションのための混合プロトタイプ一貫性学習
本研究は、ラベル付きデータの不足を補うために、教師ネットワークと補助ネットワークを用いて、ラベル付きデータ、ラベルなしデータ、およびCutMixによって生成された混合データからプロトタイプを生成し、それらを融合することで、高品質なグローバルプロトタイプを形成し、一貫性学習の性能を向上させる手法を提案する。
不確実性を考慮した証拠融合に基づく半教師あり医用画像セグメンテーション
本論文は、証拠理論に基づく予測結果の融合と漸進的な学習戦略を提案することで、医用画像セグメンテーションの精度を向上させる。
