Fugu-MT 論文翻訳(概要): Revisiting 3D Medical Scribble Supervision: Benchmarking Beyond Cardiac Segmentation

論文の概要: Revisiting 3D Medical Scribble Supervision: Benchmarking Beyond Cardiac Segmentation

arxiv url: http://arxiv.org/abs/2403.12834v2
Date: Wed, 13 Aug 2025 11:28:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-14 20:42:00.425951
Title: Revisiting 3D Medical Scribble Supervision: Benchmarking Beyond Cardiac Segmentation
Title（参考訳）: 3Dメディカル・スクリブル・スーパービジョンを再考: 心臓のセグメンテーションを超えてベンチマーク
Authors: Karol Gotkowski, Klaus H. Maier-Hein, Fabian Isensee,
Abstract要約: 医用3Dセグメンテーションにおけるアノテーションコストの削減に期待できるアプローチとして,スクリブル・インスペクションが登場した。本研究は,医用画像セグメンテーションのための,より実用的で堅牢で汎用的な手法を指向したスクリブル・インスペクションの実現を目的とする。
参考スコア（独自算出の注目度）: 1.2238508261277228
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Scribble supervision has emerged as a promising approach for reducing annotation costs in medical 3D segmentation by leveraging sparse annotations instead of voxel-wise labels. While existing methods report strong performance, a closer analysis reveals that the majority of research is confined to the cardiac domain, predominantly using ACDC and MSCMR datasets. This over-specialization has resulted in severe overfitting, misleading claims of performance improvements, and a lack of generalization across broader segmentation tasks. In this work, we formulate a set of key requirements for practical scribble supervision and introduce ScribbleBench, a comprehensive benchmark spanning over seven diverse medical imaging datasets, to systematically evaluate the fulfillment of these requirements. Consequently, we uncover a general failure of methods to generalize across tasks and that many widely used novelties degrade performance outside of the cardiac domain, whereas simpler overlooked approaches achieve superior generalization. Finally, we raise awareness for a strong yet overlooked baseline, nnU-Net coupled with a partial loss, which consistently outperforms specialized methods across a diverse range of tasks. By identifying fundamental limitations in existing research and establishing a new benchmark-driven evaluation standard, this work aims to steer scribble supervision toward more practical, robust, and generalizable methodologies for medical image segmentation.
Abstract（参考訳）: 医用3Dセグメンテーションにおけるアノテーションコストを削減すべく,ボクセルワイドラベルの代わりにスパースアノテーションを利用することにより,スクリブル・インスペクションが有望なアプローチとして登場した。既存の手法では強い性能が報告されているが、より詳細な分析により、ほとんどの研究は心臓領域に限られており、主にACDCとMSCMRデータセットを用いていることが明らかになった。この過剰な特殊化は、過度なオーバーフィッティング、パフォーマンス改善の誤った主張、より広範なセグメンテーションタスクにおける一般化の欠如をもたらす。そこで本研究では,7つの医療画像データセットにまたがる総合的なベンチマークであるScribbleBenchを導入し,これらの要件の実現を体系的に評価する。その結果、タスクをまたいで一般化する手法の一般的な失敗や、多くの広く使われている新規性が心臓領域の外で性能を低下させるのに対して、より単純な見落としのアプローチはより優れた一般化を実現することが判明した。最後に,強い見落とされがちなベースラインであるnnU-Netと部分的損失との認識を高め,多種多様なタスクにまたがる特殊なメソッドを一貫して上回ります。本研究は,既存の研究の基本的限界を特定し,新たなベンチマーク駆動評価基準を確立することにより,医用画像セグメンテーションのためのより実用的で堅牢で一般化可能な方法論に向けて,スクリッブル・インスペクションを推し進めることを目的とする。

関連論文リスト

RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation [2.608565452856053]
医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクに不可欠である。粗いレベルのアノテーションに完全に依存する新しい粗いセグメンテーションフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-04T19:14:30Z)
BoundarySeg:An Embarrassingly Simple Method To Boost Medical Image Segmentation Performance for Low Data Regimes [2.1387689734506043]
本稿では,既存のアノテーションのみを活用するシンプルな,効率的かつ効率的な医用画像分割手法を提案する。臓器境界予測を全臓器セグメンテーションの補助タスクとして組み込んだマルチタスクフレームワークであるBoundarySegを提案する。
論文参考訳（メタデータ） (2025-05-14T22:15:41Z)
SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文参考訳（メタデータ） (2024-07-23T20:34:23Z)
Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2024-07-03T13:44:20Z)
3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching between 3D and 2D Networks [26.29122638813974]
本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。 MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-07-30T15:26:17Z)
SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
論文参考訳（メタデータ） (2023-07-23T20:55:11Z)
ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation [16.188681108101196]
弱い教師付きセグメンテーションにのみスクリブルアノテーションを活用することを提案する。既存のソリューションは主に注釈付き領域でのみ計算された選択的損失を利用する。空間的関係と形状を事前にエンコードする正規化項を導入する。我々は、ZScribbleSegと表記される統合フレームワークに、効率的なスクリブル監視を前者と統合する。
論文参考訳（メタデータ） (2023-01-12T09:00:40Z)
On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文参考訳（メタデータ） (2022-02-25T13:47:09Z)
Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文参考訳（メタデータ） (2021-08-02T09:56:10Z)
A Positive/Unlabeled Approach for the Segmentation of Medical Sequences using Point-Wise Supervision [3.883460584034766]
本稿では,ポイントワイズアノテーションのみを用いて,医用画像のボリュームや動画を効率的に分割する手法を提案する。提案手法は,ポイントワイドアノテーションを用いて,適切なポジティブ/アンラベル対象関数を用いてディープラーニングモデルを訓練する。提案手法は,同じ問題に適応した最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-07-18T09:13:33Z)
Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文参考訳（メタデータ） (2020-11-28T16:31:00Z)
A Weakly-Supervised Semantic Segmentation Approach based on the Centroid Loss: Application to Quality Control and Inspection [6.101839518775968]
本稿では,新しい損失関数を用いた弱教師付きセマンティックセマンティックセマンティクス手法の提案と評価を行う。アプローチのパフォーマンスは,2つの業界関連ケーススタディのデータセットに対して評価される。
論文参考訳（メタデータ） (2020-10-26T09:08:21Z)
Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文参考訳（メタデータ） (2020-02-29T02:58:36Z)

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。