論文の概要: No Masks Needed: Explainable AI for Deriving Segmentation from Classification

• arxiv url: http://arxiv.org/abs/2508.04534v1
• Date: Wed, 06 Aug 2025 15:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.783933
• Title: No Masks Needed: Explainable AI for Deriving Segmentation from Classification
• Title（参考訳）: マスクは不要: 分類からセグメンテーションを導出するための説明可能なAI
• Authors: Mosong Ma, Tania Stathaki, Michalis Lazarou,
• Abstract要約: 医用画像に特化して訓練済みモデルを微調整する手法を提案する。 提案手法は、説明可能なAIを統合して関連スコアを生成し、セグメンテーションプロセスを強化する。 標準的なベンチマークでは優れているが、医学的応用では弱い従来の手法とは異なり、CBIS-DDSM、NuInsSeg、Kvasir-SEGといったデータセットでは改善された結果が得られる。
• 参考スコア（独自算出の注目度）: 6.647179199462945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is vital for modern healthcare and is a key element of computer-aided diagnosis. While recent advancements in computer vision have explored unsupervised segmentation using pre-trained models, these methods have not been translated well to the medical imaging domain. In this work, we introduce a novel approach that fine-tunes pre-trained models specifically for medical images, achieving accurate segmentation with extensive processing. Our method integrates Explainable AI to generate relevance scores, enhancing the segmentation process. Unlike traditional methods that excel in standard benchmarks but falter in medical applications, our approach achieves improved results on datasets like CBIS-DDSM, NuInsSeg and Kvasir-SEG.
• Abstract（参考訳）: 医用画像のセグメンテーションは現代医療にとって不可欠であり、コンピュータ支援診断の重要な要素である。 コンピュータビジョンの最近の進歩は、事前訓練されたモデルを用いて教師なしセグメンテーションを探索しているが、これらの手法は医用画像領域にうまく翻訳されていない。 本研究では,医用画像に特化して訓練済みモデルを微調整し,広範囲な処理で精度の高いセグメンテーションを実現する手法を提案する。 提案手法は、説明可能なAIを統合して関連スコアを生成し、セグメンテーションプロセスを強化する。 標準的なベンチマークでは優れているが、医学的応用では弱い従来の手法とは異なり、CBIS-DDSM、NuInsSeg、Kvasir-SEGといったデータセットでは改善された結果が得られる。

関連論文リスト

• 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)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• TG-LMM: Enhancing Medical Image Segmentation Accuracy through Text-Guided Large Multi-Modal Model [4.705494927820468]
  TG-LMM(Text-Guided Large Multi-Modal Model)は、臓器のテキスト記述を活用して、医用画像のセグメンテーション精度を高める新しいアプローチである。 提案手法は,MedSAM,SAM,nnUnetなどの既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-05T11:01:48Z)
• MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework [1.4043931310479378]
  医用イメージングツールキット(MIST)は、深層学習に基づく医用イメージングセグメンテーション手法の一貫性のあるトレーニング、テスト、評価を容易にするように設計されている。 MISTはデータ分析、前処理、評価パイプラインを標準化し、複数のアーキテクチャと損失関数を収容する。
  論文  参考訳（メタデータ） (2024-07-31T05:17:31Z)
• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• GMISeg: General Medical Image Segmentation without Re-Training [6.6467547151592505]
  ディープラーニングモデルは、新しい解剖学的構造、ラベル、形状を含む未知のタスクに一般化し難いことが多い。 ここでは、未知の医用画像分割タスクを、追加の訓練を必要とせずに解決できる汎用モデルを開発した。 本手法は, 画像量や解剖学的構造が異なる医用画像データセットに対して, 提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-11-21T11:33:15Z)
• 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)
• 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)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。