CBCTにおける半教師あり歯髄・歯質セグメンテーションのためのU-Mamba2-SSL
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.20154v1発表形式：クロス
要約：コーンビームCT（CBCT）における歯と歯髄の正確なセグメンテーションは、治療計画や診断などの臨床応用において極めて重要です。しかし、このプロセスは高度な専門知識を必要とし、非常に時間がかかるため、ラベルなしデータも効果的に活用できる自動化アルゴリズムの必要性が非常に高まっています。本論文では、U-Mamba2モデルを基盤とし、多段階トレーニング戦略を採用した新規半教師あり学習フレームワークであるU-Mamba2-SSLを提案します。このフレームワークは、まず破壊的オートエンコーダーを用いてU-Mamba2を自己教師あり学習によって事前学習します。次に、入力と特徴量の摂動を導入して安定したモデル出力を確保することにより、一貫性正則化を通してラベルなしデータを利用します。最後に、潜在的な誤差の影響を最小限に抑えるために、重み付けを減らした疑似ラベル付け戦略を実装します。U-Mamba2-SSLは、検証データセットにおいて平均スコア0.872、DSC 0.969を達成し、本手法の優れた性能を示しました。コードはhttps://github.com/zhiqin1998/UMamba2で公開しています。
原文（英語）を表示
Title (EN): U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT
arXiv:2509.20154v1 Announce Type: cross
Abstract: Accurate segmentation of teeth and pulp in Cone-Beam Computed Tomography (CBCT) is vital for clinical applications like treatment planning and diagnosis. However, this process requires extensive expertise and is exceptionally time-consuming, highlighting the critical need for automated algorithms that can effectively utilize unlabeled data. In this paper, we propose U-Mamba2-SSL, a novel semi-supervised learning framework that builds on the U-Mamba2 model and employs a multi-stage training strategy. The framework first pre-trains U-Mamba2 in a self-supervised manner using a disruptive autoencoder. It then leverages unlabeled data through consistency regularization, where we introduce input and feature perturbations to ensure stable model outputs. Finally, a pseudo-labeling strategy is implemented with a reduced loss weighting to minimize the impact of potential errors. U-Mamba2-SSL achieved an average score of 0.872 and a DSC of 0.969 on the validation dataset, demonstrating the superior performance of our approach. The code is available at https://github.com/zhiqin1998/UMamba2.
Published: 2025-09-24 19:00 UTC