論文の概要: Label tree semantic losses for rich multi-class medical image segmentation

• arxiv url: http://arxiv.org/abs/2507.15777v1
• Date: Mon, 21 Jul 2025 16:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.486219
• Title: Label tree semantic losses for rich multi-class medical image segmentation
• Title（参考訳）: リッチマルチクラス医用画像分割のためのラベルツリーの意味的損失
• Authors: Junwen Wang, Oscar MacCormac, William Rochford, Aaron Kujawa, Jonathan Shapey, Tom Vercauteren,
• Abstract要約: 階層的なラベル構造を生かした木に基づく意味損失関数を2つ提案する。 実験は2つの医学的・外科的イメージセグメンテーションタスク、すなわち、全脳パーセレーション(WBP)のための頭部MRIと、スパースアノテーションを用いたシーン理解のための神経外科的ハイパースペクトルイメージング(HSI)について報告されている。
• 参考スコア（独自算出の注目度）: 3.1970844823805002
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Rich and accurate medical image segmentation is poised to underpin the next generation of AI-defined clinical practice by delineating critical anatomy for pre-operative planning, guiding real-time intra-operative navigation, and supporting precise post-operative assessment. However, commonly used learning methods for medical and surgical imaging segmentation tasks penalise all errors equivalently and thus fail to exploit any inter-class semantics in the labels space. This becomes particularly problematic as the cardinality and richness of labels increases to include subtly different classes. In this work, we propose two tree-based semantic loss functions which take advantage of a hierarchical organisation of the labels. We further incorporate our losses in a recently proposed approach for training with sparse, background-free annotations to extend the applicability of our proposed losses. Extensive experiments are reported on two medical and surgical image segmentation tasks, namely head MRI for whole brain parcellation (WBP) with full supervision and neurosurgical hyperspectral imaging (HSI) for scene understanding with sparse annotations. Results demonstrate that our proposed method reaches state-of-the-art performance in both cases.
• Abstract（参考訳）: リッチで正確な医用画像セグメンテーションは、術前計画のための重要な解剖学を規定し、リアルタイムの術中ナビゲーションを誘導し、正確な術後評価をサポートすることによって、次世代のAI定義臨床実践の基盤となる。 しかし、医学的および外科的画像分割タスクの一般的な学習方法は、全てのエラーを同等にペナルティ化し、したがってラベル空間のクラス間セマンティクスを活用できない。 ラベルの濃度と豊かさが微妙に異なるクラスを含むようになると、これは特に問題となる。 本研究では,ラベルの階層構造を活かした2つの木に基づく意味損失関数を提案する。 提案した損失の適用性を高めるために,スパースでバックグラウンドのないアノテーションを用いたトレーニングを最近提案したアプローチに,損失をさらに取り入れる。 広汎な実験は2つの医学的・外科的イメージセグメンテーションタスク、すなわち、全脳パーセレーション(WBP)のための頭部MRIと、スパースアノテーションを用いたシーン理解のための神経外科的ハイパースペクトルイメージング(HSI)について報告されている。 その結果,提案手法は両例とも最先端性能に到達していることがわかった。

関連論文リスト

• Tree-based Semantic Losses: Application to Sparsely-supervised Large Multi-class Hyperspectral Segmentation [3.1970844823805002]
  ラベルの階層的な構造を生かした2つの木に基づく意味損失関数を導入する。 提案手法は,少ない注釈付きHSIデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-06-26T11:20:46Z)
• 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)
• CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
  医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。 各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-23T01:09:06Z)
• Weakly Supervised Medical Image Segmentation With Soft Labels and Noise Robust Loss [0.16490701092527607]
  ディープラーニングモデルのトレーニングには、エキスパートラベル付きアノテーションを備えた大規模なデータセットが一般的に必要である。 不正確なセグメンテーションラベルで訓練されたディープラーニングモデルを用いた画像ベースの医療診断ツールは、誤診断や治療提案につながる可能性がある。 本研究の目的は, マルチラターアノテーションとMRIにおける病変の特徴の解剖学的知識に基づいて, 確率ラベルを生成する手法を開発し, 評価することである。
  論文  参考訳（メタデータ） (2022-09-16T21:07:59Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)

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。