論文の概要: Prompt2SegCXR:Prompt to Segment All Organs and Diseases in Chest X-rays

• arxiv url: http://arxiv.org/abs/2507.00673v1
• Date: Tue, 01 Jul 2025 11:15:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.597096
• Title: Prompt2SegCXR:Prompt to Segment All Organs and Diseases in Chest X-rays
• Title（参考訳）: Prompt2SegCXR:胸部X線における全臓器と疾患の分別
• Authors: Abduz Zami, Shadman Sobhan, Rounaq Hossain, Md. Sawran Sorker, Mohiuddin Ahmed, Md. Redwan Hossain,
• Abstract要約: 胸部X線から複数の臓器や疾患を正確に分離する軽量モデルであるPrompt2SegCXRを紹介する。 既存のプロンプトベース画像セグメンテーションのトレーニング済みモデルと比較すると, モデルスコアは良好であり, ユーザのプロンプトに基づいたチェストX線セグメンテーションのための信頼性の高いソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.37109226820205005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation plays a vital role in the medical field by isolating organs or regions of interest from surrounding areas. Traditionally, segmentation models are trained on a specific organ or a disease, limiting their ability to handle other organs and diseases. At present, few advanced models can perform multi-organ or multi-disease segmentation, offering greater flexibility. Also, recently, prompt-based image segmentation has gained attention as a more flexible approach. It allows models to segment areas based on user-provided prompts. Despite these advances, there has been no dedicated work on prompt-based interactive multi-organ and multi-disease segmentation, especially for Chest X-rays. This work presents two main contributions: first, generating doodle prompts by medical experts of a collection of datasets from multiple sources with 23 classes, including 6 organs and 17 diseases, specifically designed for prompt-based Chest X-ray segmentation. Second, we introduce Prompt2SegCXR, a lightweight model for accurately segmenting multiple organs and diseases from Chest X-rays. The model incorporates multi-stage feature fusion, enabling it to combine features from various network layers for better spatial and semantic understanding, enhancing segmentation accuracy. Compared to existing pre-trained models for prompt-based image segmentation, our model scores well, providing a reliable solution for segmenting Chest X-rays based on user prompts.
• Abstract（参考訳）: イメージセグメンテーションは、周囲の臓器や関心領域を隔離することで、医療分野において重要な役割を担っている。 伝統的に、セグメンテーションモデルは特定の臓器または疾患で訓練され、他の臓器や疾患を扱う能力を制限する。 現時点では、より柔軟性のあるマルチ・オーガナイズ・セグメンテーションを実行できる高度なモデルはほとんどない。 また、最近では、より柔軟なアプローチとして、プロンプトベースのイメージセグメンテーションが注目されている。 モデルでは、ユーザが提供するプロンプトに基づいて領域を分割することができる。 これらの進歩にもかかわらず、特にケストX線において、プロンプトベースのインタラクティブな多臓器とマルチディスリーズセグメンテーションの専門的な研究は行われていない。 6つの臓器と17の疾患を含む23のクラスを持つ複数のソースから、医療専門家によるDoodleプロンプトを生成し、特にプロンプトベースのChest X線セグメンテーションのために設計されている。 第2に,胸部X線から複数の臓器や疾患を正確に分類する軽量モデルであるPrompt2SegCXRを紹介する。 このモデルにはマルチステージ機能融合が組み込まれており、様々なネットワーク層の特徴を組み合わせることで、空間的および意味的理解を向上し、セグメンテーションの精度を高めることができる。 既存のプロンプトベース画像セグメンテーションのトレーニング済みモデルと比較すると, モデルスコアは良好であり, ユーザのプロンプトに基づいたチェストX線セグメンテーションのための信頼性の高いソリューションを提供する。

関連論文リスト

• Unleashing Diffusion and State Space Models for Medical Image Segmentation [5.4377770015041795]
  既存のセグメンテーションモデルは、目に見えない臓器や腫瘍に遭遇するときに頑丈さを欠くことが多い。 DSMは、拡散と状態空間モデルを利用して、トレーニングデータ以外の未確認腫瘍カテゴリを分割するフレームワークである。 DSMは、オルガンレベルの視覚的特徴をキャプチャするために、オブジェクト認識機能グループ化戦略を使用してオルガンクエリを学習する。 その後、拡散に基づく視覚的プロンプトに焦点を当てて腫瘍のクエリを洗練し、これまで見えなかった腫瘍の正確なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-06-15T07:07:14Z)
• MGFI-Net: A Multi-Grained Feature Integration Network for Enhanced Medical Image Segmentation [0.3108011671896571]
  医用画像のセグメンテーションにおける大きな課題は、ノイズ、低コントラスト、複雑な解剖学的構造の存在に対する関心領域の正確な記述を実現することである。 既存のセグメンテーションモデルは、多粒度情報の統合を無視し、エッジの詳細を保存できないことが多い。 我々は,Multi-Grained Feature Integration Network (MGFI-Net)と呼ばれる新しい画像セマンティックセマンティクスモデルを提案する。 私たちのMGFI-Netは、これらの問題に対処するための2つの専用のモジュールで設計されています。
  論文  参考訳（メタデータ） (2025-02-19T15:24:34Z)
• 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)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [72.8965643836841]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付き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自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• A multi-stage GAN for multi-organ chest X-ray image generation and segmentation [2.7561479348365734]
  GAN(Generative Adrial Networks)に基づく新しい多段階生成アルゴリズムを提案する。 他のアプローチとは異なり、生成はいくつかの段階で発生し、手順を単純化し、非常に小さなデータセットで使用することができる。 多段階のアプローチは最先端を実現し、GANを訓練するのに非常に少ない画像を使用する場合、対応する単一段階のアプローチよりも優れる。
  論文  参考訳（メタデータ） (2021-06-09T15:15:19Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。