論文の概要: Do Edges Matter? Investigating Edge-Enhanced Pre-Training for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2508.02281v1
• Date: Mon, 04 Aug 2025 10:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.297697
• Title: Do Edges Matter? Investigating Edge-Enhanced Pre-Training for Medical Image Segmentation
• Title（参考訳）: エッジは重要か? 医用画像分割のためのエッジ強化事前訓練の検討
• Authors: Paul Zaha, Lars Böcking, Simeon Allmendinger, Leopold Müller, Niklas Kühl,
• Abstract要約: 既存の研究では、事前訓練および微調整された基礎モデルによってセグメンテーション性能が向上することが示されている。 本研究では,特定の画像前処理ステップが,異なる医用画像モダリティのセグメンテーション性能にどのように影響するかを検討する。
• 参考スコア（独自算出の注目度）: 3.600103961894953
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical image segmentation is crucial for disease diagnosis and treatment planning, yet developing robust segmentation models often requires substantial computational resources and large datasets. Existing research shows that pre-trained and finetuned foundation models can boost segmentation performance. However, questions remain about how particular image preprocessing steps may influence segmentation performance across different medical imaging modalities. In particular, edges-abrupt transitions in pixel intensity-are widely acknowledged as vital cues for object boundaries but have not been systematically examined in the pre-training of foundation models. We address this gap by investigating to which extend pre-training with data processed using computationally efficient edge kernels, such as kirsch, can improve cross-modality segmentation capabilities of a foundation model. Two versions of a foundation model are first trained on either raw or edge-enhanced data across multiple medical imaging modalities, then finetuned on selected raw subsets tailored to specific medical modalities. After systematic investigation using the medical domains Dermoscopy, Fundus, Mammography, Microscopy, OCT, US, and XRay, we discover both increased and reduced segmentation performance across modalities using edge-focused pre-training, indicating the need for a selective application of this approach. To guide such selective applications, we propose a meta-learning strategy. It uses standard deviation and image entropy of the raw image to choose between a model pre-trained on edge-enhanced or on raw data for optimal performance. Our experiments show that integrating this meta-learning layer yields an overall segmentation performance improvement across diverse medical imaging tasks by 16.42% compared to models pre-trained on edge-enhanced data only and 19.30% compared to models pre-trained on raw data only.
• Abstract（参考訳）: 医療画像のセグメンテーションは、疾患の診断と治療計画に不可欠であるが、堅牢なセグメンテーションモデルを開発するには、かなりの計算資源と大規模なデータセットを必要とすることが多い。 既存の研究では、事前訓練および微調整された基礎モデルによってセグメンテーション性能が向上することが示されている。 しかし、特定の画像前処理ステップが、異なる医用画像モダリティのセグメンテーション性能にどのように影響するかについては疑問が残る。 特に、画素強度の急激な遷移は、物体境界にとって重要な手がかりとして広く認められているが、基礎モデルの事前学習において体系的に検討されていない。 我々は,Kirschのような計算効率のよいエッジカーネルを用いて処理されたデータによる事前学習を,基礎モデルのモード間セグメンテーション能力を改善することができるかを調べることで,このギャップに対処する。 基礎モデルの2つのバージョンは、まず複数の医療画像モダリティにまたがる生または縁の強化されたデータに基づいて訓練され、その後、特定の医療モダリティに合わせて選択された生のサブセットに基づいて微調整される。 医学領域のDermoscopy, Fundus, Mammography, Microscopy, OCT, US, XRay を用いて系統的な研究を行った結果, エッジ焦点による事前トレーニングにより, 偏差の増大と縮小が両立し, このアプローチの選択的適用の必要性が示唆された。 このような選択的な応用を導くため,メタラーニング戦略を提案する。 原画像の標準偏差と画像エントロピーを用いて、エッジ強化または原データ上で事前訓練されたモデルを選択する。 実験の結果, このメタラーニング層を統合することで, エッジ強化データのみで事前学習したモデルと, 生データのみで事前学習したモデルとでは19.30%と比較して, 多様な医用画像タスク間で全体のセグメンテーション性能が16.42%向上することがわかった。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Embeddings are all you need! Achieving High Performance Medical Image Classification through Training-Free Embedding Analysis [0.0]
  医療画像のための人工知能(AI)と機械学習(ML)モデルの開発は通常、大規模なデータセットに対する広範なトレーニングとテストを含む。 従来の訓練手順を埋め込み型アプローチで置き換える可能性について検討した。
  論文  参考訳（メタデータ） (2024-12-12T16:59:37Z)
• Generative AI Enables Medical Image Segmentation in Ultra Low-Data Regimes [35.151834585823224]
  本稿では,高品質なセグメンテーションマスクと医用画像を一意に生成する生成的深層学習フレームワークを提案する。 データ生成とセグメンテーションモデルを個別のプロセスとして扱う従来の生成モデルとは異なり、本手法ではエンドツーエンドのデータ生成にマルチレベル最適化を用いる。 提案手法は,9種類の医用画像分割タスクと16のデータセットに対して,超低速データレギュレーションにおいて高い一般化性能を示した。
  論文  参考訳（メタデータ） (2024-08-30T17:11:36Z)
• Benchmarking Retinal Blood Vessel Segmentation Models for Cross-Dataset and Cross-Disease Generalization [5.237321836999284]
  公開されているFIVESファウンダスイメージデータセット上で,5つの公開モデルをトレーニングし,評価する。 画像の品質がセグメンテーションの結果を決定する重要な要因であることがわかった。
  論文  参考訳（メタデータ） (2024-06-21T09:12:34Z)
• Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training [37.11542605885003]
  医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。 我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。 次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。 これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
  論文  参考訳（メタデータ） (2024-01-16T16:18:42Z)
• Certification of Deep Learning Models for Medical Image Segmentation [44.177565298565966]
  ランダムな平滑化と拡散モデルに基づく医用画像のための認定セグメンテーションベースラインを初めて提示する。 この結果から,拡散確率モデルをデノナイズするパワーを活用することで,ランダムな平滑化の限界を克服できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-05T16:40:33Z)
• From CNN to Transformer: A Review of Medical Image Segmentation Models [7.3150850275578145]
  医用画像セグメンテーションのための深層学習が主流となっている。 本稿では,近年最も代表的な4つの医用画像セグメンテーションモデルについて調査する。 理論的にこれらのモデルの特徴を解析し、2つのベンチマークデータセット上でそれらの性能を定量的に評価する。
  論文  参考訳（メタデータ） (2023-08-10T02:48:57Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。