論文の概要: Multiplicative Loss for Enhancing Semantic Segmentation in Medical and Cellular Images

• arxiv url: http://arxiv.org/abs/2510.12258v1
• Date: Tue, 14 Oct 2025 08:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.239997
• Title: Multiplicative Loss for Enhancing Semantic Segmentation in Medical and Cellular Images
• Title（参考訳）: 医用画像と細胞画像のセマンティックセグメンテーション向上のための乗算損失
• Authors: Yuto Yokoi, Kazuhiro Hotta,
• Abstract要約: 医用画像と細胞画像のセマンティックセグメンテーションのための2つの新しい損失関数であるMultiplelicative LossとConfidence-Adaptive Multiplicative Lossを提案する。 我々のフレームワークは、調整された加算関数と既存の損失関数を一貫して上回る。
• 参考スコア（独自算出の注目度）: 17.159633200689225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose two novel loss functions, Multiplicative Loss and Confidence-Adaptive Multiplicative Loss, for semantic segmentation in medical and cellular images. Although Cross Entropy and Dice Loss are widely used, their additive combination is sensitive to hyperparameters and often performs suboptimally, especially with limited data. Medical images suffer from data scarcity due to privacy, ethics, and costly annotations, requiring robust and efficient training objectives. Our Multiplicative Loss combines Cross Entropy and Dice losses multiplicatively, dynamically modulating gradients based on prediction confidence. This reduces penalties for confident correct predictions and amplifies gradients for incorrect overconfident ones, stabilizing optimization. Building on this, Confidence-Adaptive Multiplicative Loss applies a confidence-driven exponential scaling inspired by Focal Loss, integrating predicted probabilities and Dice coefficients to emphasize difficult samples. This enhances learning under extreme data scarcity by strengthening gradients when confidence is low. Experiments on cellular and medical segmentation benchmarks show our framework consistently outperforms tuned additive and existing loss functions, offering a simple, effective, and hyperparameter-free mechanism for robust segmentation under challenging data limitations.
• Abstract（参考訳）: 医用画像と細胞画像のセマンティックセグメンテーションのための2つの新しい損失関数であるMultiplelicative LossとConfidence-Adaptive Multiplicative Lossを提案する。 Cross Entropy と Dice Loss は広く使われているが、それらの付加的な組み合わせはハイパーパラメータに敏感であり、特に限られたデータで亜最適に実行することが多い。 医用画像は、プライバシー、倫理、コストのかかるアノテーションによるデータの不足に悩まされ、堅牢で効率的な訓練目標が要求される。 我々の乗算損失はクロスエントロピーとディース損失を乗算的に組み合わせ、予測信頼度に基づいて動的に勾配を変調する。 これにより、確実な正確な予測に対する罰則を減らし、不正確な過剰な予測に対する勾配を増幅し、最適化を安定化する。 これに基づいて、信頼適応型乗法的損失は、フォカルロスにインスパイアされた信頼駆動の指数的スケーリングを適用し、予測確率とDice係数を統合して、難しいサンプルを強調する。 これにより、信頼度が低いときの勾配を強化することにより、極端なデータ不足下での学習が促進される。 セルラーおよび医用セグメンテーションベンチマークの実験により、我々のフレームワークは、厳密なデータ制限の下で頑健なセグメンテーションのためのシンプルで効果的でハイパーパラメータフリーなメカニズムを提供する、調整された加算関数と既存の損失関数を一貫して上回っていることが示された。

関連論文リスト

• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• Disparate Impact on Group Accuracy of Linearization for Private Inference [48.27026603581436]
  多数派と比較して,ReLUアクティベーション数の減少は少数派に対する精度を著しく低下させることを示す。 また,線形化モデルの微調整手順を変更する簡単な手順が,効果的な緩和戦略として有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-06T01:56:29Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• Implicit Counterfactual Data Augmentation for Robust Learning [24.795542869249154]
  本研究では, 突発的相関を除去し, 安定した予測を行うために, インプリシト・カウンセショナル・データ拡張法を提案する。 画像とテキストのデータセットをカバーする様々なバイアス付き学習シナリオで実験が行われてきた。
  論文  参考訳（メタデータ） (2023-04-26T10:36:40Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Reducing Predictive Feature Suppression in Resource-Constrained Contrastive Image-Caption Retrieval [65.33981533521207]
  我々は、リソース制約のあるICR手法における予測的特徴抑圧を減らすアプローチを提案する:潜在目標デコーディング(LTD) LTDは、汎用文エンコーダの潜時空間で入力キャプションを再構成し、画像及びキャプションエンコーダが予測的特徴を抑制するのを防止する。 実験の結果,入力空間における入力キャプションの再構成とは異なり,LTDはリコール@k,r精度,nDCGスコアを高くすることで,予測的特徴抑制を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-04-28T09:55:28Z)

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。