論文の概要: MedSeg-R: Medical Image Segmentation with Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2506.18669v1
• Date: Mon, 23 Jun 2025 14:14:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:37.011581
• Title: MedSeg-R: Medical Image Segmentation with Clinical Reasoning
• Title（参考訳）: MedSeg-R:クリニカル推論による医用画像分割
• Authors: Hao Shao, Qibin Hou,
• Abstract要約: MedSeg-Rは、臨床推論にインスパイアされた軽量でデュアルステージのフレームワークである。 その認知段階は、医療報告を、トランスフォーマーブロックを介して融合される構造化セマンティックプリエントに解釈する。 挑戦的なベンチマークでは、MedSeg-Rは重なり合う構造とあいまいな構造において大きなDiceの改善をもたらす。
• 参考スコア（独自算出の注目度）: 28.33172310047359
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image segmentation is challenging due to overlapping anatomies with ambiguous boundaries and a severe imbalance between the foreground and background classes, which particularly affects the delineation of small lesions. Existing methods, including encoder-decoder networks and prompt-driven variants of the Segment Anything Model (SAM), rely heavily on local cues or user prompts and lack integrated semantic priors, thus failing to generalize well to low-contrast or overlapping targets. To address these issues, we propose MedSeg-R, a lightweight, dual-stage framework inspired by inspired by clinical reasoning. Its cognitive stage interprets medical report into structured semantic priors (location, texture, shape), which are fused via transformer block. In the perceptual stage, these priors modulate the SAM backbone: spatial attention highlights likely lesion regions, dynamic convolution adapts feature filters to expected textures, and deformable sampling refines spatial support. By embedding this fine-grained guidance early, MedSeg-R disentangles inter-class confusion and amplifies minority-class cues, greatly improving sensitivity to small lesions. In challenging benchmarks, MedSeg-R produces large Dice improvements in overlapping and ambiguous structures, demonstrating plug-and-play compatibility with SAM-based systems.
• Abstract（参考訳）: 医用画像のセグメンテーションは、曖昧な境界を持つ解剖学的重複と、特に小病変の脱線に影響を及ぼす前景と背景階級の深刻な不均衡により困難である。 エンコーダ・デコーダネットワークやSAM(Segment Anything Model)のプロンプト駆動の変種を含む既存の手法は、ローカルなキューやユーザープロンプトに大きく依存しており、セマンティック・プリエンスを欠いているため、低コントラストや重複するターゲットに対してうまく一般化できなかった。 これらの課題に対処するために,臨床推論にインスパイアされた軽量でデュアルステージのフレームワークであるMedSeg-Rを提案する。 その認知段階は、医療報告を、トランスフォーマーブロックを介して融合される構造化セマンティック先行(位置、テクスチャ、形状)に解釈する。 空間的注意は潜在的な病変領域を強調し、動的畳み込みは期待されるテクスチャに特徴フィルターを適応させ、変形可能なサンプリングは空間的支持を洗練させる。 この詳細なガイダンスを早期に埋め込むことで、MedSeg-Rはクラス間の混乱を解き、マイノリティクラスの手がかりを増幅し、小さな病変に対する感受性を大幅に改善する。 挑戦的なベンチマークでは、MedSeg-Rは重なり合う構造とあいまいな構造のDiceを大幅に改善し、SAMベースのシステムとのプラグ・アンド・プレイの互換性を示す。

関連論文リスト

• MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation [5.389510984268956]
  MARL(Multi-Agent Reinforcement Learning)に基づく最初の輪郭型医用画像分割フレームワークであるMARL-MambaContourを紹介する。 提案手法は,位相的に一貫したオブジェクトレベルの輪郭を生成することに焦点を当てたマルチエージェント協調タスクとしてセグメンテーションを再構成する。 5つの多様な医用画像データセットの実験は、MARL-MambaContourの最先端性能を示している。
  論文  参考訳（メタデータ） (2025-06-23T14:22:49Z)
• Point-supervised Brain Tumor Segmentation with Box-prompted MedSAM [11.861051009791224]
  セマンティック・アウェア・ポイント管理型MedSAMを実現するための反復的フレームワークを提案する。 Box-prompt generator (SBPG)モジュールは、ポイント入力を潜在的に擬似境界ボックス提案に変換する能力を持つ。 Prompt-Guided Space refinement (PGSR)モジュールは、MedSAMの例外的な一般化性を利用して、セグメンテーションマスクを推測する。
  論文  参考訳（メタデータ） (2024-08-01T16:52:39Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。