論文の概要: SPENet: Self-guided Prototype Enhancement Network for Few-shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2509.02993v1
• Date: Wed, 03 Sep 2025 03:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.408135
• Title: SPENet: Self-guided Prototype Enhancement Network for Few-shot Medical Image Segmentation
• Title（参考訳）: SPENet:Few-shot Medical Image Segmentationのためのセルフガイド型プロトタイプエンハンスメントネットワーク
• Authors: Chao Fan, Xibin Jia, Anqi Xiao, Hongyuan Yu, Zhenghan Yang, Dawei Yang, Hui Xu, Yan Huang, Liang Wang,
• Abstract要約: Few-Shot Medical Image (FSMIS) は、いくつかのラベル付き画像のみを使用して、新しい医療オブジェクトのクラスを分割することを目的としている。 プロトタイプベースの手法はFSMISに対処する上で大きな進歩をもたらした。 自己誘導型プロトタイプ拡張ネットワーク(SPENet)を提案する。
• 参考スコア（独自算出の注目度）: 22.774602971340098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-Shot Medical Image Segmentation (FSMIS) aims to segment novel classes of medical objects using only a few labeled images. Prototype-based methods have made significant progress in addressing FSMIS. However, they typically generate a single global prototype for the support image to match with the query image, overlooking intra-class variations. To address this issue, we propose a Self-guided Prototype Enhancement Network (SPENet). Specifically, we introduce a Multi-level Prototype Generation (MPG) module, which enables multi-granularity measurement between the support and query images by simultaneously generating a global prototype and an adaptive number of local prototypes. Additionally, we observe that not all local prototypes in the support image are beneficial for matching, especially when there are substantial discrepancies between the support and query images. To alleviate this issue, we propose a Query-guided Local Prototype Enhancement (QLPE) module, which adaptively refines support prototypes by incorporating guidance from the query image, thus mitigating the negative effects of such discrepancies. Extensive experiments on three public medical datasets demonstrate that SPENet outperforms existing state-of-the-art methods, achieving superior performance.
• Abstract（参考訳）: Few-Shot Medical Image Segmentation (FSMIS) は、いくつかのラベル付き画像のみを使用して、新しい医療オブジェクトのクラスを分割することを目的としている。 プロトタイプベースの手法はFSMISに対処する上で大きな進歩をもたらした。 しかし、彼らは通常、クラス内のバリエーションを見越して、クエリイメージにマッチするサポートイメージの単一のグローバルプロトタイプを生成する。 本稿では,SPENet(Self-Guided Prototype Enhancement Network)を提案する。 具体的には,Multi-level Prototype Generation (MPG) モジュールを導入し,グローバルプロトタイプと適応型ローカルプロトタイプを同時に生成することにより,サポート画像とクエリ画像間の多重粒度測定を可能にする。 さらに,サポートイメージ内のすべてのローカルプロトタイプが,特にサポートイメージとクエリイメージの間に大きな相違点がある場合,マッチングに有用ではないことも確認した。 この問題を軽減するため,クエリイメージからのガイダンスを取り入れたクエリ誘導型ローカルプロトタイプ拡張(QLPE)モジュールを提案する。 3つの公開医療データセットに対する大規模な実験は、SPENetが既存の最先端の手法より優れ、優れたパフォーマンスを達成していることを示している。

関連論文リスト

• Concentrate on Weakness: Mining Hard Prototypes for Few-Shot Medical Image Segmentation [17.638595740284636]
  Few-Shot Medical Image (FSMIS) は、少数の注釈付き画像からセグメント化を行うモデルを訓練するために広く使われている。 我々は、明確なセグメンテーション境界に不可欠な、より弱い特徴にもっと注意を払うことを提案する。
  論文  参考訳（メタデータ） (2025-05-28T02:22:05Z)
• Mind the Gap Between Prototypes and Images in Cross-domain Finetuning [64.97317635355124]
  プロトタイプと画像にそれぞれ異なる変換を適用するために,コントラスト型プロトタイプイメージ適応(CoPA)を提案する。 Meta-Datasetの実験では、CoPAが最先端のパフォーマンスをより効率的に達成できることが示されている。
  論文  参考訳（メタデータ） (2024-10-16T11:42:11Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
  医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。 スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。 提案手法は,最先端の手法と同等に機能することを示す。
  論文  参考訳（メタデータ） (2024-08-12T15:38:51Z)
• Support-Query Prototype Fusion Network for Few-shot Medical Image Segmentation [7.6695642174485705]
  少量のラベル付きデータを用いて、見知らぬクラスに一般化する写真学習は、重要な研究領域として現れている。 本稿では,SQPFNet(Support-Query Prototype Fusion Network)を提案する。 SABSとCMRの2つの公開データセットの評価結果は、SQPFNetが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-05-13T07:31:16Z)
• Query-guided Prototype Evolution Network for Few-Shot Segmentation [85.75516116674771]
  本稿では,前景と背景のプロトタイプの生成プロセスにクエリ機能を統合する新しい手法を提案する。 PASCAL-$5i$とミラーリング-$20i$データセットの実験結果は、QPENetが達成した実質的な拡張を示している。
  論文  参考訳（メタデータ） (2024-03-11T07:50:40Z)
• Partition-A-Medical-Image: Extracting Multiple Representative Sub-regions for Few-shot Medical Image Segmentation [23.926487942901872]
  Few-shot Medical Image (FSMIS)は、医療画像セグメンテーションタスクのための、より有望なソリューションである。 支援医療画像から複数のサブリージョンを抽出する手法を提案する。 次に,2方向除去機構に基づく新しいPRD(Prototypeal Representation Debiasing)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-20T09:31:57Z)
• Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer [20.115149216170327]
  Region-enhanced Prototypeal Transformer (RPT) は、大規模なクラス内多様性/バイアスの影響を緩和するための、数発の学習に基づく手法である。 BaTブロックを積み重ねることで、提案したRTTは、生成した地域プロトタイプを反復的に最適化し、最終的に修正されたより正確なグローバルプロトタイプを生成することができる。
  論文  参考訳（メタデータ） (2023-09-09T15:39:38Z)
• Prototype Mixture Models for Few-shot Semantic Segmentation [50.866870384596446]
  サポートやクエリ画像内のオブジェクトが外観やポーズで大きく異なる可能性があるため、ショットのセグメンテーションは難しい。 プロトタイプベースセマンティック表現を強制するために,多種多様な画像領域と複数のプロトタイプとの相関関係を持つプロトタイプ混合モデル(PMMs)を提案する。 PMMはMS-COCOの5ショットセグメンテーション性能を最大5.82%改善し、モデルサイズと推論速度の適度なコストに留まった。
  論文  参考訳（メタデータ） (2020-08-10T04:33:17Z)

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。