論文の概要: Beyond Labels: Zero-Shot Diabetic Foot Ulcer Wound Segmentation with Self-attention Diffusion Models and the Potential for Text-Guided Customization

• arxiv url: http://arxiv.org/abs/2504.17628v1
• Date: Thu, 24 Apr 2025 14:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.423868
• Title: Beyond Labels: Zero-Shot Diabetic Foot Ulcer Wound Segmentation with Self-attention Diffusion Models and the Potential for Text-Guided Customization
• Title（参考訳）: ラベルを超えて: 自己注意拡散モデルを用いたゼロショット糖尿病性下肢潰瘍縫合とテキストガイドによるカスタマイズの可能性
• Authors: Abderrachid Hamrani, Daniela Leizaola, Renato Sousa, Jose P. Ponce, Stanley Mathis, David G. Armstrong, Anuradha Godavarty,
• Abstract要約: 本研究では注意拡散ゼロショット非監視システム(ADZUS)について紹介する。 ラベル付きトレーニングデータに頼ることなく創傷セグメンテーションを行う新しいテキスト誘導拡散モデルである。 ADZUSは従来型および最先端のセグメンテーションモデルを超え、IoUは86.68%、最高精度は94.69%である。
• 参考スコア（独自算出の注目度）: 0.09423257767158631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diabetic foot ulcers (DFUs) pose a significant challenge in healthcare, requiring precise and efficient wound assessment to enhance patient outcomes. This study introduces the Attention Diffusion Zero-shot Unsupervised System (ADZUS), a novel text-guided diffusion model that performs wound segmentation without relying on labeled training data. Unlike conventional deep learning models, which require extensive annotation, ADZUS leverages zero-shot learning to dynamically adapt segmentation based on descriptive prompts, offering enhanced flexibility and adaptability in clinical applications. Experimental evaluations demonstrate that ADZUS surpasses traditional and state-of-the-art segmentation models, achieving an IoU of 86.68\% and the highest precision of 94.69\% on the chronic wound dataset, outperforming supervised approaches such as FUSegNet. Further validation on a custom-curated DFU dataset reinforces its robustness, with ADZUS achieving a median DSC of 75\%, significantly surpassing FUSegNet's 45\%. The model's text-guided segmentation capability enables real-time customization of segmentation outputs, allowing targeted analysis of wound characteristics based on clinical descriptions. Despite its competitive performance, the computational cost of diffusion-based inference and the need for potential fine-tuning remain areas for future improvement. ADZUS represents a transformative step in wound segmentation, providing a scalable, efficient, and adaptable AI-driven solution for medical imaging.
• Abstract（参考訳）: 糖尿病性足潰瘍(DFU)は、患者の予後を高めるために、正確かつ効率的な創傷評価を必要とする医療において重要な課題である。 本研究では,ラベル付きトレーニングデータに頼ることなく創傷セグメント化を行う新しいテキスト誘導拡散モデルであるADZUSを提案する。 広範なアノテーションを必要とする従来のディープラーニングモデルとは異なり、ADZUSはゼロショット学習を利用して記述的プロンプトに基づいてセグメント化を動的に適応し、臨床応用における柔軟性と適応性を向上させる。 実験的評価により、ADZUSは従来および最先端のセグメンテーションモデルを超え、86.68\%のIoUと94.69\%の精度を達成し、FUSegNetのような教師付きアプローチよりも優れていることが示された。 カスタムキュレートされたDFUデータセットのさらなる検証は、その堅牢性を強化し、ADZUSの中央値DSCは75.%に達し、FUSegNetの45.%を大きく上回っている。 このモデルのテキスト誘導セグメンテーション機能により、リアルタイムでセグメンテーションアウトプットをカスタマイズし、臨床記述に基づく創傷特性のターゲット分析を可能にする。 競争性能にもかかわらず、拡散に基づく推論の計算コストと潜在的な微調整の必要性は、将来の改善の領域に留まっている。 ADZUSは創傷セグメンテーションにおける変革的なステップであり、スケーラブルで効率的で適応可能なAI駆動型医療画像ソリューションを提供する。

関連論文リスト

• Self-Attention Diffusion Models for Zero-Shot Biomedical Image Segmentation: Unlocking New Frontiers in Medical Imaging [0.0]
  本稿では,ゼロショットバイオメディカルイメージセグメンテーションのための新しいアプローチであるDiffusion Attention Zero-shot Unsupervised System (ADZUS)を紹介する。 ADZUSは事前に訓練された拡散モデルの本質的な能力を生かし、その生成的および識別的ポテンシャルを利用して医用画像の分割を行う。 皮膚病変のセグメンテーション、胸部X線感染症のセグメンテーション、白血球セグメンテーションなど、さまざまな医療画像データセットにわたる実験結果から、ADZUSが最先端のパフォーマンスを達成することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-23T18:47:12Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Controllable retinal image synthesis using conditional StyleGAN and latent space manipulation for improved diagnosis and grading of diabetic retinopathy [0.0]
  本稿では,高忠実かつ多様なDRファウンダス画像を生成するためのフレームワークを提案する。 生成画像内のDR重大度と視覚的特徴を包括的に制御する。 我々は、条件付きで生成したDR画像をグレードで操作し、データセットの多様性をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-11T17:08:28Z)
• Weakly Supervised Intracranial Hemorrhage Segmentation with YOLO and an Uncertainty Rectified Segment Anything Model [0.5578116134031106]
  頭蓋内出血(ICH)は、治療成績と生存率を改善するために、迅速かつ正確な診断を必要とする生命予後である。 近年, 教師付き深層学習の進歩により, 医用画像の解析が大幅に向上した。 大量の専門家準備セグメンテーションデータの必要性を軽減するため、我々は弱い教師付きICHセグメンテーション法を開発した。
  論文  参考訳（メタデータ） (2024-07-29T23:40:13Z)
• Domain Adaptation of Echocardiography Segmentation Via Reinforcement Learning [4.850478245721347]
  我々はRL4Segを紹介した。RL4Segは革新的な強化学習フレームワークで、ターゲットドメインに専門的な注釈付きデータセットを組み込む必要がなくなる。 RL4Segは1万枚の未診断2D心エコー画像のターゲットデータセットを用いて、ターゲットドメインから220名の専門家検証対象のサブセットに対して99%の解剖学的妥当性を達成している。
  論文  参考訳（メタデータ） (2024-06-25T19:26:39Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。