論文の概要: Adaptive Confidence-Wise Loss for Improved Lens Structure Segmentation in AS-OCT

• arxiv url: http://arxiv.org/abs/2508.08705v1
• Date: Tue, 12 Aug 2025 07:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.338294
• Title: Adaptive Confidence-Wise Loss for Improved Lens Structure Segmentation in AS-OCT
• Title（参考訳）: AS-OCTにおけるレンズ構造分割改善のための適応信頼度損失
• Authors: Zunjie Xiao, Xiao Wu, Tianhang Liu, Lingxi Hu, Yinling Zhang, Xiaoqing Zhang, Risa Higashita, Jiang Liu,
• Abstract要約: 既存のディープセグメンテーションネットワークは通常、すべてのピクセルをクロスエントロピー(CE)損失の下で均等に重み付けする。 本稿では、各レンズ構造サブリージョンを異なる信頼サブリージョンにグループ化するために、適応信頼度(ACW)損失を提案する。 提案法はCEを6.13%のIoUゲイン,4.33%の増加,および4.79%のBECEをU-Net下でのレンズ構造セグメンテーションで上回っている。
• 参考スコア（独自算出の注目度）: 7.070562666315381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise lens structure segmentation is essential for the design of intraocular lenses (IOLs) in cataract surgery. Existing deep segmentation networks typically weight all pixels equally under cross-entropy (CE) loss, overlooking the fact that sub-regions of lens structures are inhomogeneous (e.g., some regions perform better than others) and that boundary regions often suffer from poor segmentation calibration at the pixel level. Clinically, experts annotate different sub-regions of lens structures with varying confidence levels, considering factors such as sub-region proportions, ambiguous boundaries, and lens structure shapes. Motivated by this observation, we propose an Adaptive Confidence-Wise (ACW) loss to group each lens structure sub-region into different confidence sub-regions via a confidence threshold from the unique region aspect, aiming to exploit the potential of expert annotation confidence prior. Specifically, ACW clusters each target region into low-confidence and high-confidence groups and then applies a region-weighted loss to reweigh each confidence group. Moreover, we design an adaptive confidence threshold optimization algorithm to adjust the confidence threshold of ACW dynamically. Additionally, to better quantify the miscalibration errors in boundary region segmentation, we propose a new metric, termed Boundary Expected Calibration Error (BECE). Extensive experiments on a clinical lens structure AS-OCT dataset and other multi-structure datasets demonstrate that our ACW significantly outperforms competitive segmentation loss methods across different deep segmentation networks (e.g., MedSAM). Notably, our method surpasses CE with 6.13% IoU gain, 4.33% DSC increase, and 4.79% BECE reduction in lens structure segmentation under U-Net. The code of this paper is available at https://github.com/XiaoLing12138/Adaptive-Confidence-Wise-Loss.
• Abstract（参考訳）: 白内障手術における眼内レンズ (IOL) の設計には, 精密なレンズ構造セグメンテーションが不可欠である。 既存のディープセグメンテーションネットワークは通常、すべてのピクセルをクロスエントロピー(CE)損失の下で均等に重み付け、レンズ構造のサブリージョンが不均一である(例えば、一部の領域は他の領域よりも優れている)ことと、境界領域がピクセルレベルでのセグメンテーションキャリブレーションの低下に悩まされることを見越す。 臨床的には、専門家は、サブリージョン比、あいまいな境界、レンズ構造形状などの要因を考慮して、異なる信頼レベルを持つレンズ構造の異なるサブリージョンに注釈を付ける。 本研究の目的は、各レンズ構造サブリージョンを個別の領域からの信頼しきい値を介して、各レンズ構造サブリージョンにグループ化する適応信頼度(ACW)損失を提案することである。 特に、ACWは各対象領域を低信頼度および高信頼度群にクラスタリングし、各信頼度群を緩和するために領域重み付き損失を適用した。 さらに,ACWの信頼閾値を動的に調整する適応型信頼閾値最適化アルゴリズムを設計する。 さらに,境界領域分割における誤校正誤差の定量化のために,境界予測校正誤差 (BECE) と呼ばれる新しい指標を提案する。 臨床レンズ構造AS-OCTデータセットおよび他の多構造データセットに関する大規模な実験により、当社のACWは、異なる深部セグメンテーションネットワーク(MedSAMなど)で競合セグメンテーション損失法を著しく上回っていることが示された。 特に,本手法はCEを6.13%のIoUゲイン,4.33%のDSC増加,4.79%のBECE低下をU-Net下でのレンズ構造セグメンテーションで上回っている。 この記事のコードはhttps://github.com/XiaoLing12138/Adaptive-Confidence-Wise-Lossで公開されている。

関連論文リスト

• CAD: Confidence-Aware Adaptive Displacement for Semi-Supervised Medical Image Segmentation [6.576007706370229]
  半教師付き医療画像セグメンテーションは、最小限の専門家アノテーションを活用することを目的としている。 本稿では,信頼度の高い最大の低信頼領域を高信頼パッチで選択的に識別し,置き換えるフレームワークである自信認識適応変位(CAD)を紹介する。
  論文  参考訳（メタデータ） (2025-02-01T19:23:18Z)
• PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference [6.446006525143547]
  本稿では,2つの新しい手法を組み合わせたVFSS画像解析のためのネットワークアーキテクチャPECI-Netを提案する。 PENは、複数の前処理アルゴリズムを学習可能な方法で組み合わせることで、VFSS画像のシャープさとコントラストを高める。 CINはセグメンテーションにおけるあいまいさを、カスケード推論によって他の領域からのコンテキストを使用することで軽減する。
  論文  参考訳（メタデータ） (2024-03-21T07:34:31Z)
• Global Occlusion-Aware Transformer for Robust Stereo Matching [11.655465312241699]
  本稿では,Global Occlusion-Aware Transformer(GOAT)と呼ばれる新しいアテンションベースのステレオマッチングネットワークを提案する。 GOATは、長距離依存とOcclusion-Awarenessグローバルコンテキストを不一致推定に活用する。 提案したGOATは,特に閉鎖領域において,すべてのベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-22T12:34:58Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Region-level Contrastive and Consistency Learning for Semi-Supervised Semantic Segmentation [30.1884540364192]
  半教師付きセマンティックセグメンテーションのための領域レベルのコントラスト・一貫性学習フレームワーク(RC2L)を提案する。 具体的には、まず、地域マスクコントラスト(RMC)損失と地域特徴コントラスト(RFC)損失を、地域レベルのコントラスト特性を達成するために提案する。 提案する領域レベルのコントラストと一貫性の規則化に基づいて,半教師付きセマンティックセグメンテーションのための領域レベルのコントラストと一貫性の学習フレームワーク(RC2L)を開発する。
  論文  参考訳（メタデータ） (2022-04-28T07:22:47Z)

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。