論文の概要: ProSona: Prompt-Guided Personalization for Multi-Expert Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.08046v1
• Date: Wed, 12 Nov 2025 01:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.612245
• Title: ProSona: Prompt-Guided Personalization for Multi-Expert Medical Image Segmentation
• Title（参考訳）: ProSona: マルチエキスパート医療画像セグメンテーションのためのプロンプトガイドによるパーソナライゼーション
• Authors: Aya Elgebaly, Nikolaos Delopoulos, Juliane Hörner-Rieber, Carolin Rippke, Sebastian Klüter, Luca Boldrini, Lorenzo Placidi, Riccardo Dal Bello, Nicolaus Andratschke, Michael Baumgartl, Claus Belka, Christopher Kurz, Guillaume Landry, Shadi Albarqouni,
• Abstract要約: 本稿では,アノテーションスタイルの連続的な潜在空間を学習し,自然言語によるパーソナライズを可能にするフレームワークProSonaを紹介する。 確率的U-Netバックボーンは様々な専門家の仮説を捉え、プロンプト誘導プロジェクション機構はこの潜在空間をナビゲートしてパーソナライズされたセグメンテーションを生成する。 LIDC-IDRI肺結節と多施設MRIデータセット全体で、ProSonaは一般エネルギー距離を17%削減し、DPersonaと比較して平均Diceを1ポイント以上改善する。
• 参考スコア（独自算出の注目度）: 1.7251279593823998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated medical image segmentation suffers from high inter-observer variability, particularly in tasks such as lung nodule delineation, where experts often disagree. Existing approaches either collapse this variability into a consensus mask or rely on separate model branches for each annotator. We introduce ProSona, a two-stage framework that learns a continuous latent space of annotation styles, enabling controllable personalization via natural language prompts. A probabilistic U-Net backbone captures diverse expert hypotheses, while a prompt-guided projection mechanism navigates this latent space to generate personalized segmentations. A multi-level contrastive objective aligns textual and visual representations, promoting disentangled and interpretable expert styles. Across the LIDC-IDRI lung nodule and multi-institutional prostate MRI datasets, ProSona reduces the Generalized Energy Distance by 17% and improves mean Dice by more than one point compared with DPersona. These results demonstrate that natural-language prompts can provide flexible, accurate, and interpretable control over personalized medical image segmentation. Our implementation is available online 1 .
• Abstract（参考訳）: 自動化された医用画像分割は、特に専門家がしばしば意見が一致しない肺結節脱線のようなタスクにおいて、高いサーバ間変動に悩まされる。 既存のアプローチでは、この変数をコンセンサスマスクに分解するか、アノテータ毎に別々のモデルブランチに依存している。 ProSonaは2段階のフレームワークで、アノテーションスタイルの連続的な潜在空間を学習し、自然言語のプロンプトによるパーソナライズを可能にする。 確率的U-Netバックボーンは様々な専門家の仮説を捉え、プロンプト誘導プロジェクション機構はこの潜在空間をナビゲートしてパーソナライズされたセグメンテーションを生成する。 マルチレベルコントラッシブな目的は、テキストと視覚の表現を整列させ、アンタングルと解釈可能な専門家スタイルを促進する。 LIDC-IDRI肺結節と多施設MRIデータセット全体で、ProSonaは一般エネルギー距離を17%削減し、DPersonaと比較して平均Diceを1ポイント以上改善する。 これらの結果は、自然言語のプロンプトが、パーソナライズされた医用画像のセグメンテーションに対して、柔軟で、正確で、解釈可能な制御を提供できることを示している。 私たちの実装はオンラインで利用可能です。

関連論文リスト

• DuPLUS: Dual-Prompt Vision-Language Framework for Universal Medical Image Segmentation and Prognosis [5.494301428436596]
  効率的なマルチモーダル医療画像解析のためのディープラーニングフレームワークであるDuPLUSを紹介する。 DuPLUSは、階層的セマンティックプロンプトを利用して分析タスクのきめ細かい制御を行う新しい視覚言語フレームワークを導入した。 セグメンテーションのために、DuPLUSは、30以上の臓器と腫瘍タイプを含む10の異なる医療データセットである3つの画像モダリティを一般化することができる。
  論文  参考訳（メタデータ） (2025-10-03T20:01:00Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• DiffOSeg: Omni Medical Image Segmentation via Multi-Expert Collaboration Diffusion Model [12.103957886785926]
  可変性は、あいまいな画像境界と多様な臨床専門知識から生じる、医療画像のセグメンテーションにおいて重要な課題である。 コンセンサス駆動と選好駆動のセグメンテーションを同時に実現することを目的とした2段階拡散ベースのフレームワークであるDiffOSegを提案する。 我々のモデルは、すべての評価指標で既存の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2025-07-17T12:57:27Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Diversified and Personalized Multi-rater Medical Image Segmentation [43.47142636000329]
  本稿ではD-Personaという2段階のフレームワークを提案する。 ステージIでは、複数のアノテーションを使って確率的U-Netモデルをトレーニングし、予測の多様性を改善するために制約付き損失を制限した。 ステージIIでは、複数の注意に基づく投影ヘッドを設計し、対応する専門家のプロンプトを共有潜在空間から適応的にクエリし、パーソナライズされた医用画像セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-03-20T09:00:19Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Using Soft Labels to Model Uncertainty in Medical Image Segmentation [0.0]
  複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。 各画像に対して,複数の信頼度でしきい値に閾値を設定できる1つのよく校正された出力を生成する。 提案手法をMICCAI 2021 QUBIQチャレンジで評価し,複数の医用画像セグメンテーションタスクで良好に動作することを示した。
  論文  参考訳（メタデータ） (2021-09-26T14:47:18Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。