論文の概要: Size and Smoothness Aware Adaptive Focal Loss for Small Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2407.09828v2
• Date: Fri, 24 Oct 2025 06:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:14.718164
• Title: Size and Smoothness Aware Adaptive Focal Loss for Small Tumor Segmentation
• Title（参考訳）: 微小腫瘍分節に対する適応的焦点損失を意識したサイズと平滑性
• Authors: Md Rakibul Islam, Riad Hassan, Abdullah Nazib, Kien Nguyen, Clinton Fookes, Md Zahidul Islam,
• Abstract要約: 本稿では,オブジェクト境界の滑らかさとサイズを考慮に入れた適応的焦点損失(A-FL)を提案する。 提案したA-FLは、オブジェクトの表面の滑らかさ、サイズ、およびクラスバランスパラメータに基づいて動的に自身を調整する。 PICAI 2022およびBraTS 2018データセットにおけるA-FLの性能を評価する。
• 参考スコア（独自算出の注目度）: 18.62095187977615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has achieved remarkable accuracy in medical image segmentation, particularly for larger structures with well-defined boundaries. However, its effectiveness can be challenged by factors such as irregular object shapes and edges, non-smooth surfaces, small target areas, etc. which complicate the ability of networks to grasp the intricate and diverse nature of anatomical regions. In response to these challenges, we propose an Adaptive Focal Loss (A-FL) that takes both object boundary smoothness and size into account, with the goal to improve segmentation performance in intricate anatomical regions. The proposed A-FL dynamically adjusts itself based on an object's surface smoothness, size, and the class balancing parameter based on the ratio of targeted area and background. We evaluated the performance of the A-FL on the PICAI 2022 and BraTS 2018 datasets. In the PICAI 2022 dataset, the A-FL achieved an Intersection over Union (IoU) score of 0.696 and a Dice Similarity Coefficient (DSC) of 0.769, outperforming the regular Focal Loss (FL) by 5.5% and 5.4% respectively. It also surpassed the best baseline by 2.0% and 1.2%. In the BraTS 2018 dataset, A-FL achieved an IoU score of 0.883 and a DSC score of 0.931. Our ablation experiments also show that the proposed A-FL surpasses conventional losses (this includes Dice Loss, Focal Loss, and their hybrid variants) by large margin in IoU, DSC, and other metrics. The code is available at https://github.com/rakibuliuict/AFL-CIBM.git.
• Abstract（参考訳）: 深層学習は医用画像のセグメンテーションにおいて顕著な精度を実現している。 しかし、その効果は、不規則な物体の形状や縁、非平滑な表面、小さなターゲット領域など、複雑で多様な解剖学的領域を把握できるネットワークの能力を複雑にしている要因によって挑戦できる。 これらの課題に対応するために、複雑な解剖領域におけるセグメント化性能の向上を目的として、オブジェクト境界の滑らかさとサイズを考慮に入れた適応的焦点損失(A-FL)を提案する。 提案したA-FLは、対象領域と背景の比率に基づいて、対象物体の表面の滑らかさ、サイズ、およびクラスバランスパラメータに基づいて動的に調整する。 PICAI 2022およびBraTS 2018データセットにおけるA-FLの性能を評価した。 PICAI 2022データセットでは、A-FLはユニオン(IoU)のスコア0.696とDice similarity Coefficient(DSC)0.769を達成し、それぞれ通常のFocal Loss(FL)の5.5%と5.4%を上回った。 また、ベースラインの2.0%と1.2%を上回った。 BraTS 2018データセットでは、A-FLはIoUスコア0.883、DSCスコア0.931を記録した。 我々のアブレーション実験は,提案したA-FLが従来の損失(Dice Loss, Focal Loss, and their hybrid variantsを含む)をIoU, DSC, その他の指標で大きく上回っていることも示している。 コードはhttps://github.com/rakibuliuict/AFL-CIBM.gitで公開されている。

関連論文リスト

• Ultra-Resolution Adaptation with Ease [62.56434979517156]
  我々は,EmphURAEと呼ばれる超高分解能適応のための重要なガイドラインのセットを提案する。 重み行列の小さな成分のチューニングは、合成データが利用できない場合に広く使用される低ランクアダプタよりも優れていることを示す。 URAEは、FLUX1.1[Pro] Ultraのような最先端のクローズドソースモデルに匹敵する2K世代の性能を達成している。
  論文  参考訳（メタデータ） (2025-03-20T16:44:43Z)
• SPFFNet: Strip Perception and Feature Fusion Spatial Pyramid Pooling for Fabric Defect Detection [0.0]
  YOLOv11に基づくファブリック欠陥検出モデルを提案する。 SPM(Strip Perception Module)を導入し,マルチスケールのコンボリューションにより機能キャプチャを改善する。 また,適応重み付き共振器(FECIoU)の新たな拡張完全交叉法を提案する。
  論文  参考訳（メタデータ） (2025-02-03T15:33:11Z)
• Federated Learning with Partially Labeled Data: A Conditional Distillation Approach [6.539281169155941]
  本稿では,条件付き蒸留を取り入れた新しいFLフレームワークであるConDistFLを提案する。 ConDistFLは、部分的にラベル付けされたデータセットから効果的な学習を可能にし、分散データセットと非一様データセットのセグメンテーション精度を大幅に改善する。 より優れたセグメンテーション性能に加えて、ConDistFLは計算と通信の効率を維持し、現実世界のアプリケーションにそのスケーラビリティを保証する。
  論文  参考訳（メタデータ） (2024-12-25T08:40:03Z)
• FedGS: Federated Gradient Scaling for Heterogeneous Medical Image Segmentation [0.4499833362998489]
  そこで本研究では,FedGSという新しいFLアグリゲーション手法を提案する。 FedGSは、特に小さな病変に対して、PolypGenとLiTSデータセット間で、FedAvgよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-21T15:26:21Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• An Adaptive Plug-and-Play Network for Few-Shot Learning [12.023266104119289]
  少数のサンプルから学んだ後、新しいサンプルを分類するモデルが必要である。 ディープネットワークと複雑なメトリクスはオーバーフィッティングを引き起こす傾向があり、パフォーマンスをさらに改善することは困難である。 プラグアンドプレイ型モデル適応型リサイザ (MAR) とアダプティブ類似度測定器 (ASM) をその他の損失なく提案する。
  論文  参考訳（メタデータ） (2023-02-18T13:25:04Z)
• Robust Split Federated Learning for U-shaped Medical Image Networks [16.046153872932653]
  U字型医療画像ネットワークのためのRoS-FL(Roust Split Federated Learning)を提案する。 RoS-FLは、フェデレートラーニング(FL)とスプリットラーニング(SL)のハイブリッドラーニングパラダイムである
  論文  参考訳（メタデータ） (2022-12-13T05:26:31Z)
• Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation [1.1470070927586016]
  我々は、深層学習アーキテクチャ(U-Net、Attention U-Net、Nested U-Net)とDRIVEデータセットを用いて、Binary Cross Entropy、Dice、Tversky、Comboの損失を比較した。 その結果,損失関数の選択には有意な差が認められた。
  論文  参考訳（メタデータ） (2022-06-01T14:47:18Z)
• Multi-Scale Context-Guided Lumbar Spine Disease Identification with Coarse-to-fine Localization and Classification [22.62393344071125]
  この研究は、腰椎疾患の同定のための、粗大な局所化と分類を含むマルチスケールのコンテキスト誘導ネットワークCCF-Netを導入する。 実験結果から, 粗大な設計により, パラメータやデータ要求が少なく, 高い性能が得られる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-16T05:51:16Z)
• Orthogonal Projection Loss [59.61277381836491]
  直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
  論文  参考訳（メタデータ） (2021-03-25T17:58:00Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)
• Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [91.12575065731883]
  境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。 CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。 クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
  論文  参考訳（メタデータ） (2020-05-07T16:00:27Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。