論文の概要: SPARS: Self-Play Adversarial Reinforcement Learning for Segmentation of Liver Tumours

• arxiv url: http://arxiv.org/abs/2505.18989v1
• Date: Sun, 25 May 2025 06:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.814528
• Title: SPARS: Self-Play Adversarial Reinforcement Learning for Segmentation of Liver Tumours
• Title（参考訳）: SPARS:肝腫瘍の分節のためのセルフプレイ・アディショナル強化学習
• Authors: Catalina Tan, Yipeng Hu, Shaheer U. Saeed,
• Abstract要約: 完全に教師付き機械学習モデルは、ローカライゼーションタスクを自動化することを目的としている。 トレーニングには、コストが高く、しばしば主観的な3Dボクセルレベルのラベルを必要とする。 そこで我々は,SPARSと呼ばれる弱い教師付き機械学習フレームワークを提案する。 CTスキャンで癌領域をローカライズするために、オブジェクトレベルのバイナリ癌の存在ラベルを使用する。
• 参考スコア（独自算出の注目度）: 2.5229190642019286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate tumour segmentation is vital for various targeted diagnostic and therapeutic procedures for cancer, e.g., planning biopsies or tumour ablations. Manual delineation is extremely labour-intensive, requiring substantial expert time. Fully-supervised machine learning models aim to automate such localisation tasks, but require a large number of costly and often subjective 3D voxel-level labels for training. The high-variance and subjectivity in such labels impacts model generalisability, even when large datasets are available. Histopathology labels may offer more objective labels but the infeasibility of acquiring pixel-level annotations to develop tumour localisation methods based on histology remains challenging in-vivo. In this work, we propose a novel weakly-supervised semantic segmentation framework called SPARS (Self-Play Adversarial Reinforcement Learning for Segmentation), which utilises an object presence classifier, trained on a small number of image-level binary cancer presence labels, to localise cancerous regions on CT scans. Such binary labels of patient-level cancer presence can be sourced more feasibly from biopsies and histopathology reports, enabling a more objective cancer localisation on medical images. Evaluating with real patient data, we observed that SPARS yielded a mean dice score of $77.3 \pm 9.4$, which outperformed other weakly-supervised methods by large margins. This performance was comparable with recent fully-supervised methods that require voxel-level annotations. Our results demonstrate the potential of using SPARS to reduce the need for extensive human-annotated labels to detect cancer in real-world healthcare settings.
• Abstract（参考訳）: 正確な腫瘍セグメンテーションは、がん、例えば、生検や腫瘍の進展を計画する様々な診断および治療に不可欠である。 手作業による記述は非常に労働集約的であり、相当な専門的な時間を要する。 完全な教師付き機械学習モデルは、そのようなローカライゼーションタスクを自動化することを目的としているが、トレーニングには、コストが高く、しばしば主観的な3Dボクセルレベルのラベルを必要とする。 このようなラベルの高分散と主観性は、大規模なデータセットが利用可能であっても、モデル一般化可能性に影響を与える。 病理組織学的ラベルは、より客観的なラベルを提供するかもしれないが、組織学に基づく腫瘍局在法を開発するためのピクセルレベルのアノテーションを取得することは、いまだに困難である。 本研究では,SPARS (Self-Play Adversarial Reinforcement Learning for Segmentation) と呼ばれる,少数の画像レベルのバイナリ癌存在ラベルに基づいて訓練されたオブジェクト存在分類器を用いて,CTスキャンでがん領域をローカライズする,新しいセマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 このような患者レベルのがんの存在のバイナリラベルは、生検や病理組織学的報告からより効果的に引き起こされ、医療画像上のより客観的ながんの局在を可能にする。 実際の患者データから,SPARSは7.3 pm 9.4$の平均ダイススコアが得られた。 このパフォーマンスは、voxelレベルのアノテーションを必要とする最近の完全に教師されたメソッドに匹敵するものだった。 以上の結果から,SPARSは,実世界の医療環境において,がんを検出するための広範囲な人名ラベルの必要性を軽減できる可能性が示唆された。

関連論文リスト

• Promptable cancer segmentation using minimal expert-curated data [5.097733221827974]
  医療画像上の癌の自動分離は、標的とする診断と治療の処置を支援することができる。 その採用は、データセットのトレーニングやサーバ間の可変性に必要な専門家アノテーションの高コストによって制限されている。 そこで本研究では,24個の完全分割画像しか必要とせず,弱ラベル画像8枚を補足した,高速セグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T13:56:40Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。