論文の概要: DiffOSeg: Omni Medical Image Segmentation via Multi-Expert Collaboration Diffusion Model

• arxiv url: http://arxiv.org/abs/2507.13087v1
• Date: Thu, 17 Jul 2025 12:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.500732
• Title: DiffOSeg: Omni Medical Image Segmentation via Multi-Expert Collaboration Diffusion Model
• Title（参考訳）: DiffOSeg: マルチエキスパートコラボレーション拡散モデルによるOmniの医用画像分割
• Authors: Han Zhang, Xiangde Luo, Yong Chen, Kang Li,
• Abstract要約: 可変性は、あいまいな画像境界と多様な臨床専門知識から生じる、医療画像のセグメンテーションにおいて重要な課題である。 コンセンサス駆動と選好駆動のセグメンテーションを同時に実現することを目的とした2段階拡散ベースのフレームワークであるDiffOSegを提案する。 我々のモデルは、すべての評価指標で既存の最先端手法よりも優れています。
• 参考スコア（独自算出の注目度）: 10.4137698020509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotation variability remains a substantial challenge in medical image segmentation, stemming from ambiguous imaging boundaries and diverse clinical expertise. Traditional deep learning methods producing single deterministic segmentation predictions often fail to capture these annotator biases. Although recent studies have explored multi-rater segmentation, existing methods typically focus on a single perspective -- either generating a probabilistic ``gold standard'' consensus or preserving expert-specific preferences -- thus struggling to provide a more omni view. In this study, we propose DiffOSeg, a two-stage diffusion-based framework, which aims to simultaneously achieve both consensus-driven (combining all experts' opinions) and preference-driven (reflecting experts' individual assessments) segmentation. Stage I establishes population consensus through a probabilistic consensus strategy, while Stage II captures expert-specific preference via adaptive prompts. Demonstrated on two public datasets (LIDC-IDRI and NPC-170), our model outperforms existing state-of-the-art methods across all evaluated metrics. Source code is available at https://github.com/string-ellipses/DiffOSeg .
• Abstract（参考訳）: 注釈のバリエーションは、あいまいな画像境界と多様な臨床専門知識から生じる、医用画像のセグメンテーションにおいて重要な課題である。 単一決定論的セグメンテーション予測を生成する従来のディープラーニング手法は、これらのアノテータバイアスを捕捉できないことが多い。 最近の研究では、マルチラターセグメンテーションが検討されているが、既存の手法は一般的に単一の視点(確率論的「ゴールドスタンダード」のコンセンサスを生成するか、専門家固有の嗜好を保存するか)に焦点を当てているため、よりオムニな視点を提供するのに苦労している。 本研究では,2段階拡散に基づくフレームワークであるDiffOSegを提案する。このフレームワークは,コンセンサス駆動(すべての専門家の意見を組み合わせる)と嗜好駆動(専門家の個人評価を反映する)のセグメンテーションを同時に実現することを目的としている。 第1段階は確率論的コンセンサス戦略によって人口合意を確立し、第2段階は適応的なプロンプトを通じて専門家固有の嗜好を捉えている。 我々のモデルは2つの公開データセット(LIDC-IDRIとNPC-170)で示され、すべての評価指標で既存の最先端手法よりも優れています。 ソースコードはhttps://github.com/string-ellipses/DiffOSegで入手できる。

関連論文リスト

• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
  医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。 本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T09:13:50Z)
• Diversified and Personalized Multi-rater Medical Image Segmentation [43.47142636000329]
  本稿ではD-Personaという2段階のフレームワークを提案する。 ステージIでは、複数のアノテーションを使って確率的U-Netモデルをトレーニングし、予測の多様性を改善するために制約付き損失を制限した。 ステージIIでは、複数の注意に基づく投影ヘッドを設計し、対応する専門家のプロンプトを共有潜在空間から適応的にクエリし、パーソナライズされた医用画像セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-03-20T09:00:19Z)
• DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
  DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。 これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。 このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
  論文  参考訳（メタデータ） (2024-02-03T06:49:42Z)
• Inter-Rater Uncertainty Quantification in Medical Image Segmentation via Rater-Specific Bayesian Neural Networks [7.642026462053574]
  医用画像セグメンテーションにおけるレータ間不確実性を推定するための新しいベイズニューラルネットワークアーキテクチャを提案する。 まず,不確実性推定に適したワンエンコーダ・マルチデコーダアーキテクチャを提案する。 次に,新しいアーキテクチャのベイズモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-28T20:52:51Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application to Skin Lesion Segmentation [14.266037264648533]
  画像に対するアノテーションの意見のコレクションを活用することは、ゴールド基準を推定する興味深い方法です。 深層モデル学習時のアノテーションの不一致に対処する手法を提案する。
  論文  参考訳（メタデータ） (2020-12-14T01:51:22Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)

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。