論文の概要: R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection

• arxiv url: http://arxiv.org/abs/2511.12691v1
• Date: Sun, 16 Nov 2025 17:15:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.483743
• Title: R$^{2}$Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
• Title（参考訳）: R$^{2}$Seg: 解剖学的推論と統計的拒絶による無訓練 OOD 腫瘍切除
• Authors: Shuaike Shen, Ke Liu, Jiaqing Xie, Shangde Gao, Chunhua Shen, Ge Liu, Mireia Crispin-Ortuzar, Shangqi Gao,
• Abstract要約: 医療画像セグメンテーションの基礎モデルは、アウト・オブ・ディストリビューション・シフトの下で苦労する。 R$2$Segは強力なOOD腫瘍セグメンテーションのためのトレーニング不要のフレームワークである。
• 参考スコア（独自算出の注目度）: 45.33258156568741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for medical image segmentation struggle under out-of-distribution (OOD) shifts, often producing fragmented false positives on OOD tumors. We introduce R$^{2}$Seg, a training-free framework for robust OOD tumor segmentation that operates via a two-stage Reason-and-Reject process. First, the Reason step employs an LLM-guided anatomical reasoning planner to localize organ anchors and generate multi-scale ROIs. Second, the Reject step applies two-sample statistical testing to candidates generated by a frozen foundation model (BiomedParse) within these ROIs. This statistical rejection filter retains only candidates significantly different from normal tissue, effectively suppressing false positives. Our framework requires no parameter updates, making it compatible with zero-update test-time augmentation and avoiding catastrophic forgetting. On multi-center and multi-modal tumor segmentation benchmarks, R$^{2}$Seg substantially improves Dice, specificity, and sensitivity over strong baselines and the original foundation models. Code are available at https://github.com/Eurekashen/R2Seg.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)シフト下での医用画像分割の基礎モデルは、しばしばOOD腫瘍に断片化された偽陽性を生じる。 R$^{2}$Segは、2段階のReason-and-Rejectプロセスを介して動作する、堅牢なOOD腫瘍セグメンテーションのためのトレーニングフリーフレームワークである。 まず、Reasonのステップでは、LLM誘導の解剖学的推論プランナーを使用して臓器アンカーを局在させ、マルチスケールROIを生成する。 次に、Rejectステップは、これらのROI内で凍結基盤モデル(BiomedParse)によって生成される候補に対して、2サンプルの統計テストを適用します。 この統計的拒絶フィルターは正常組織と大きく異なる候補のみを保持し、偽陽性を効果的に抑制する。 当社のフレームワークはパラメータの更新を必要とせず、ゼロアップデートテスト時の拡張と互換性を持ち、破滅的な忘れを避ける。 マルチセンターおよびマルチモーダル腫瘍セグメンテーションのベンチマークでは、R$^{2}$SegはDice、特異性、感度を強いベースラインとオリジナルの基礎モデルよりも大幅に改善する。 コードはhttps://github.com/Eurekashen/R2Segで入手できる。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• P2T2: a Physically-primed deep-neural-network approach for robust $T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI [0.0]
  MRIデータからT$の緩和時間分布を推定すると、様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが得られる。 ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T$分布を推定する逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データには十分ではない。 我々は、信号減衰を前方に組み込む、$PT$と呼ばれる物理的に高価なDNNアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:20:11Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)

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。