論文の概要: FocusSDF: Boundary-Aware Learning for Medical Image Segmentation via Signed Distance Supervision

• arxiv url: http://arxiv.org/abs/2511.11864v1
• Date: Fri, 14 Nov 2025 20:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.348635
• Title: FocusSDF: Boundary-Aware Learning for Medical Image Segmentation via Signed Distance Supervision
• Title（参考訳）: FocusSDF:Signed Distance Supervisionによる医用画像セグメンテーションのための境界認識学習
• Authors: Muzammal Shafique, Nasir Rahim, Jamil Ahmad, Mohammad Siadat, Khalid Malik, Ghaus Malik,
• Abstract要約: 符号付き距離関数(SDF)に基づく新しい損失関数であるFocusSDFを導入する。 我々は,基礎モデルであるMedSAMを含む,最先端の5つの医用画像分割モデルに対して評価を行った。 実験結果は、既存の距離変換に基づく損失関数よりもFocusSDFの方が優れた性能を示す。
• 参考スコア（独自算出の注目度）: 1.5290834004335336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of medical images constitutes an essential component of medical image analysis, providing the foundation for precise diagnosis and efficient therapeutic interventions in clinical practices. Despite substantial progress, most segmentation models do not explicitly encode boundary information; as a result, making boundary preservation a persistent challenge in medical image segmentation. To address this challenge, we introduce FocusSDF, a novel loss function based on the signed distance functions (SDFs), which redirects the network to concentrate on boundary regions by adaptively assigning higher weights to pixels closer to the lesion or organ boundary, effectively making it boundary aware. To rigorously validate FocusSDF, we perform extensive evaluations against five state-of-the-art medical image segmentation models, including the foundation model MedSAM, using four distance-based loss functions across diverse datasets covering cerebral aneurysm, stroke, liver, and breast tumor segmentation tasks spanning multiple imaging modalities. The experimental results consistently demonstrate the superior performance of FocusSDF over existing distance transform based loss functions.
• Abstract（参考訳）: 医用画像のセグメンテーションは、医用画像解析の不可欠な要素であり、臨床実践における正確な診断と効果的な治療介入の基礎を提供する。 かなりの進歩にもかかわらず、ほとんどのセグメンテーションモデルは境界情報を明示的にエンコードしていない;その結果、境界保存は医療画像セグメンテーションにおいて永続的な課題となる。 この課題に対処するために、署名された距離関数(SDF)に基づく新たな損失関数であるFocusSDFを導入し、病変や臓器境界に近いピクセルに高重みを適応的に割り当てることで、ネットワークを境界領域に集中させる。 基礎モデルであるMedSAMを含む5つの最先端医療画像セグメント化モデルに対して,脳動脈瘤,脳卒中,肝臓,乳房腫瘍セグメント化タスクを対象とする多種多様なデータセットにまたがる4つの距離ベース損失関数を用いて,広範囲に評価を行った。 実験結果は、既存の距離変換に基づく損失関数よりもFocusSDFの方が優れた性能を示す。

関連論文リスト

• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• MedSAM-CA: A CNN-Augmented ViT with Attention-Enhanced Multi-Scale Fusion for Medical Image Segmentation [10.36607107686106]
  アーキテクチャレベルの微調整手法であるMedSAM-CAを提案する。 皮膚内視鏡のデータセットでは、MedSAM-CAは全トレーニングデータのわずか2%で94.43%のDiceを達成し、全データトレーニングパフォーマンスの97.25%に達した。
  論文  参考訳（メタデータ） (2025-06-30T10:24:29Z)
• Enhancing Medical Image Segmentation with Deep Learning and Diffusion Models [7.53596352508181]
  正確な臨床診断には医用画像分割が不可欠である。 病変と正常な組織とのコントラストの低さ、境界の曖昧さ、患者間の高いばらつきといった課題に直面している。 ディープラーニングはセグメンテーションの精度と効率を改善したが、それでも専門家のアノテーションに大きく依存している。 本稿では,医療画像のセグメンテーションの重要性,現在のディープラーニングアプローチの限界,これらの課題に対処するための拡散モデルの可能性について論じる。
  論文  参考訳（メタデータ） (2024-11-21T17:49:15Z)
• FESS Loss: Feature-Enhanced Spatial Segmentation Loss for Optimizing Medical Image Analysis [0.0]
  本研究では,空間的精度と包括的特徴表現のバランスをとる上での課題を克服するために,特徴強化空間損失(FESS損失)を提案する。 FESS損失は、対照的な学習の利点と、Dice損失に固有の空間的精度を統合する。 医用画像のセグメント化において,空間的精度と特徴に基づく表現を両立させることが目的である。
  論文  参考訳（メタデータ） (2024-02-13T16:36:21Z)
• 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)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Enhancing Foreground Boundaries for Medical Image Segmentation [13.954358685870886]
  本稿では,機械学習モデルの最適化に制約を加える境界拡張損失を提案する。 実験により,我々の損失関数はセグメント化精度の点で,他の最先端の損失関数よりも優れているか,少なくとも同等であることを確認した。
  論文  参考訳（メタデータ） (2020-05-29T00:50:08Z)

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。