論文の概要: Ambiguous Medical Image Segmentation Using Diffusion Schrödinger Bridge

• arxiv url: http://arxiv.org/abs/2509.17187v1
• Date: Sun, 21 Sep 2025 18:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.157746
• Title: Ambiguous Medical Image Segmentation Using Diffusion Schrödinger Bridge
• Title（参考訳）: Diffusion Schrödinger Bridge を用いた曖昧な医用画像分割
• Authors: Lalith Bharadwaj Baru, Kamalaker Dadi, Tapabrata Chakraborti, Raju S. Bapi,
• Abstract要約: 本報告では,ShmphSegmentation Sch"odinger Bridge (SSB)を紹介した。 SSBは構造的整合性を保持し、追加のガイダンスなしで境界線を規定し、新しい損失関数を用いて多様性を維持する。
• 参考スコア（独自算出の注目度）: 4.266342009607344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of medical images is challenging due to unclear lesion boundaries and mask variability. We introduce \emph{Segmentation Sch\"{o}dinger Bridge (SSB)}, the first application of Sch\"{o}dinger Bridge for ambiguous medical image segmentation, modelling joint image-mask dynamics to enhance performance. SSB preserves structural integrity, delineates unclear boundaries without additional guidance, and maintains diversity using a novel loss function. We further propose the \emph{Diversity Divergence Index} ($D_{DDI}$) to quantify inter-rater variability, capturing both diversity and consensus. SSB achieves state-of-the-art performance on LIDC-IDRI, COCA, and RACER (in-house) datasets.
• Abstract（参考訳）: 医用画像の正確なセグメンテーションは、病変境界とマスクの変動が不明確であるため困難である。 そこで我々は,Segmentation Sch\"{o}dinger Bridge (SSB) を導入し,不明瞭な医用画像のセグメンテーションにSch\"{o}dinger Bridge を最初に応用した。 SSBは構造的整合性を保持し、追加のガイダンスなしで境界線を規定し、新しい損失関数を用いて多様性を維持する。 さらに,多様性とコンセンサスの両方を定量化するために,emph{Diversity Divergence Index}(D_{DDI}$)を提案する。 SSBはLIDC-IDRI、COCA、RACER(社内)データセットの最先端のパフォーマンスを達成する。

関連論文リスト

• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Guided Neural Schrödinger bridge for Brain MR image synthesis with Limited Data [3.150689113642665]
  マルチモーダル脳MRIは臨床診断に不可欠な補完情報を提供する。 これを解決するために、利用可能なモダリティから欠落するモダリティを生成する様々な方法が提案されている。 本稿では,これらの制限を克服するための新しいフレームワークであるFully Guided Schr"odinger Bridge (FGSB)を提案する。
  論文  参考訳（メタデータ） (2025-01-24T01:40:16Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation [18.867207134086193]
  脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。 そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T14:23:09Z)
• 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)
• CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
  医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。 各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-23T01:09:06Z)
• Variational Inference for Quantifying Inter-observer Variability in Segmentation of Anatomical Structures [12.138198227748353]
  ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。 特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-18T16:33:33Z)

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。