Superpixel-Guided Graph-Attention Boundary GAN for Adaptive Feature Refinement in Scribble-Supervised Medical Image Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fully supervised medical image segmentation still relies on labor-intensive, pixel-level annotations, which limits scale across cohorts and imaging settings. Scribble supervision reduces this burden, yet many CNN-based methods struggle under sparse labels due to weak global context and poor boundary handling. We address these issues with SGGAB-GAN, a scribble-supervised framework that uses adversarial learning, residual attention, and an enhanced feature pipeline built upon two modules: the Superpixel-Guided Graph-Attention Boundary (SGGAB) block and the Adaptive Feature Refinement Block (AFRB). First, the SGGAB block propagates limited scribble cues over a superpixel graph and reinjects boundary information, yielding crisp edges even with few annotations. Second, the AFRB fuses global context with local detail and works with residual attention gates to focus on anatomically relevant regions. On ACDC and MSCMRseg, SGGAB-GAN attains average Dice scores of 0.902 and 0.871, respectively, outperforming scribble-based methods such as ScribFormer and CycleMix while narrowing the gap to full supervision to under 2%. These results indicate that SGGAB-GAN provides high-quality segmentation at a fraction of the labeling cost, making it a scalable choice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle