背景紹介 機械学習の分野において、半教師あり学習（Semi-Supervised Learning, SSL）は、少量のラベル付きデータと大量のラベルなしデータを活用できるため、注目を集めています。特に、データのラベル付けコストが高いシナリオでは、グラフベースの半教師あり学習手法が研究の焦点となっています。グラフ畳み込みネットワーク（Graph Convolutional Networks, GCNs）は、半教師あり学習において優れた性能を発揮し、特に引用ネットワークやソーシャルネットワークなどのグラフ構造を持つデータにおいて顕著です。しかし、GCNsを非グラフ構造のマルチビューデータ（例えば画像コレクション）に適用する際には、まだ大きなギャップが存在します。 マルチビューデータ（Multi...

学術的背景と研究動機 歯科医療保健分野において、コーンビームコンピュータ断層撮影（CBCT, Cone Beam Computed Tomography）は広く利用されている三次元画像技術です。CBCTは口腔の三次元画像を提供し、特に歯原性病変の診断において優れた能力を発揮します。しかし、CBCT画像のセグメンテーション（segmentation）——つまり、画像内の各ボクセル（voxel）に対して病変、骨、歯、修復材料をラベル付けすること——は重要かつ複雑なタスクです。現在、臨床現場では主に手動セグメンテーションに依存しており、これには時間がかかる上、専門知識も必要とされます。セグメンテーションの自動化を実現し、大量の手動ラベル付けデータへの依存を減らすために、研究者たちは口腔解剖学的知識...

学術的背景と問題提起 データプライバシーの問題がますます深刻化する中、連邦学習（Federated Learning, FL）は、分散型の機械学習パラダイムとして注目を集めています。連邦学習は、複数のクライアントがデータを共有することなく、協調してグローバルモデルを訓練することを可能にし、データプライバシーを保護します。しかし、既存の連邦学習手法は、各クライアントのデータが完全にラベル付けされていることを前提としていますが、これは実際のアプリケーションでは現実的ではありません。特に、ラベル付け能力が限られている場合には、この前提は成り立ちません。この問題を解決するために、連邦半教師あり学習（Federated Semi-Supervised Learning, FSSL）が提案されました。F...

半監督医療画像セグメンテーションにおけるPICKモデルの応用 学術的背景 医療画像セグメンテーションは、臨床実践において重要な意義を持ち、医師に臓器や腫瘍の体積、位置、形状などの重要な情報を提供します。近年、深層学習に基づくモデルは医療画像セグメンテーションタスクで優れた性能を示していますが、これらのモデルは通常、大量の注釈付きデータを必要とします。しかし、医療画像の注釈は専門の臨床医師が必要であり、これらの注釈データを取得するには時間とコストがかかります。そのため、限られた注釈データでモデルの性能を向上させる方法が重要な研究課題となっています。 半教師あり学習（Semi-Supervised Learning, SSL）は、限られた注釈データと大量の未注釈データを同時に活用することで、この...