論文の概要: Prostate Capsule Segmentation from Micro-Ultrasound Images using Adaptive Focal Loss

• arxiv url: http://arxiv.org/abs/2509.15595v1
• Date: Fri, 19 Sep 2025 04:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.004677
• Title: Prostate Capsule Segmentation from Micro-Ultrasound Images using Adaptive Focal Loss
• Title（参考訳）: 適応的な焦点損失を用いたマイクロ超音波画像からの前立腺嚢の分離
• Authors: Kaniz Fatema, Vaibhav Thakur, Emad A. Mohammed,
• Abstract要約: 本研究では,マイクロUS画像からの深層学習技術を用いた前立腺カプセルのセグメンテーションについて検討した。 適応的な焦点損失関数を導入し、ハード領域と易領域の両方を動的に強調する。 提案手法は,平均ダイス係数(DSC)0.940,平均ハウスドルフ距離(HD)1.949mmを達成し,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Micro-ultrasound (micro-US) is a promising imaging technique for cancer detection and computer-assisted visualization. This study investigates prostate capsule segmentation using deep learning techniques from micro-US images, addressing the challenges posed by the ambiguous boundaries of the prostate capsule. Existing methods often struggle in such cases, motivating the development of a tailored approach. This study introduces an adaptive focal loss function that dynamically emphasizes both hard and easy regions, taking into account their respective difficulty levels and annotation variability. The proposed methodology has two primary strategies: integrating a standard focal loss function as a baseline to design an adaptive focal loss function for proper prostate capsule segmentation. The focal loss baseline provides a robust foundation, incorporating class balancing and focusing on examples that are difficult to classify. The adaptive focal loss offers additional flexibility, addressing the fuzzy region of the prostate capsule and annotation variability by dilating the hard regions identified through discrepancies between expert and non-expert annotations. The proposed method dynamically adjusts the segmentation model's weights better to identify the fuzzy regions of the prostate capsule. The proposed adaptive focal loss function demonstrates superior performance, achieving a mean dice coefficient (DSC) of 0.940 and a mean Hausdorff distance (HD) of 1.949 mm in the testing dataset. These results highlight the effectiveness of integrating advanced loss functions and adaptive techniques into deep learning models. This enhances the accuracy of prostate capsule segmentation in micro-US images, offering the potential to improve clinical decision-making in prostate cancer diagnosis and treatment planning.
• Abstract（参考訳）: Micro-ultrasound (micro-US) は、がんの検出とコンピュータ支援による可視化のための有望なイメージング技術である。 本研究では, マイクロUS画像からの深層学習技術を用いた前立腺カプセルのセグメンテーションについて検討し, 前立腺カプセルの曖昧な境界によって生じる課題に対処する。 既存の手法はしばしばこのようなケースで苦労し、調整されたアプローチの開発を動機付けている。 本研究では,それぞれの難易度とアノテーションの変動性を考慮した適応型焦点損失関数を提案する。 提案手法は,標準焦点損失関数をベースラインとして統合し,適切な前立腺カプセルセグメンテーションのための適応焦点損失関数を設計する。 焦点損失ベースラインは、クラスバランシングを取り入れ、分類が難しい例に焦点を当て、堅牢な基盤を提供する。 前立腺カプセルのファジィ領域とアノテーションの多様性に対処するため、適応型焦点損失はさらなる柔軟性を提供する。 提案手法は, 前立腺カプセルのファジィ領域を特定するために, セグメントモデルの重みを動的に調整する。 提案した適応焦点損失関数は, 平均ダイス係数(DSC)0.940, 平均ハウスドルフ距離(HD)1.949mmの優れた性能を示す。 これらの結果は,高度な損失関数と適応的手法を深層学習モデルに組み込むことの有効性を強調した。 これにより、マイクロUS画像における前立腺カプセルのセグメンテーションの精度が向上し、前立腺がんの診断と治療計画における臨床的意思決定を改善する可能性がある。

関連論文リスト

• MyGO: Make your Goals Obvious, Avoiding Semantic Confusion in Prostate Cancer Lesion Region Segmentation [14.346163388200148]
  提案する新しいPixel Anchor Moduleは,スパースな機能アンカーの集合を見つけるためにモデルをガイドする。 このメカニズムはモデルの非線形表現能力を高め、病変領域内のセグメンテーション精度を向上させる。 PI-CAIデータセットでは,69.73%のIoUと74.32%のDiceスコアが得られた。
  論文  参考訳（メタデータ） (2025-07-23T07:10:07Z)
• UltraAD: Fine-Grained Ultrasound Anomaly Classification via Few-Shot CLIP Adaptation [39.48115172323913]
  視覚言語モデル(VLM)に基づく,異常な局所化ときめ細かい分類のためのアプローチであるUltraADを提案する。 UltraADは乳房の3つのデータセットで広く評価されており、病変のデータセットと微細な医学的分類の両方において最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-06-24T15:00:38Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Multi-modality transrectal ultrasound video classification for identification of clinically significant prostate cancer [4.896561300855359]
  臨床的に重要な前立腺癌(csPCa)のマルチモーダルTRUSビデオから分類するための枠組みを提案する。 提案するフレームワークは,512本のTRUSビデオを含む社内データセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-02-14T07:06:30Z)
• Can ultrasound confidence maps predict sonographers' labeling variability? [38.75943978900532]
  本研究は,ソノグラフィーの不確実性を考慮するために,超音波セグメンテーションネットワークを誘導する新しい手法を提案する。 信頼性マップの低値と専門家のラベルの不確実性との間には相関関係があることが示されている。 以上の結果から,超音波CMではDiceスコアが増加し,HusdorffおよびAverage Surface Distanceが向上し,孤立画素の予測回数が減少した。
  論文  参考訳（メタデータ） (2023-08-18T10:07:17Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• MicroSegNet: A Deep Learning Approach for Prostate Segmentation on Micro-Ultrasound Images [10.10595151162924]
  マイクロ超音波(micro-US)は、従来の超音波の3.4倍の高分解能を提供する新しい29MHz超音波技術である。 前立腺のミクロ-USへの分節は、中線における前立腺、膀胱、尿道間の人工物と不明瞭な境界のために困難である。 本稿では,これらの課題に対処するために設計されたマルチスケールアノテーション誘導変換器UNetモデルであるMicroSegNetを提案する。
  論文  参考訳（メタデータ） (2023-05-31T15:42:29Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)

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。