論文の概要: Revisiting Data Scaling Law for Medical Segmentation

• arxiv url: http://arxiv.org/abs/2511.13883v1
• Date: Mon, 17 Nov 2025 20:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.776358
• Title: Revisiting Data Scaling Law for Medical Segmentation
• Title（参考訳）: 医療セグメンテーションにおけるデータスケーリング法の再検討
• Authors: Yuetan Chu, Zhongyi Han, Gongning Luo, Xin Gao,
• Abstract要約: 本研究は,医学的解剖学的セグメンテーションの文脈におけるデータサイズとのスケーリング関係に焦点を当てた。 解剖学的セグメンテーションのスケーリング法則を15のセマンティックタスクと4つの画像モダリティで解析する。 解剖学的構造を共有する画像のトポロジカルアイソモーフィズムにより、変形誘導増強戦略の影響を評価した。
• 参考スコア（独自算出の注目度）: 17.135854290232114
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The population loss of trained deep neural networks often exhibits power law scaling with the size of the training dataset, guiding significant performance advancements in deep learning applications. In this study, we focus on the scaling relationship with data size in the context of medical anatomical segmentation, a domain that remains underexplored. We analyze scaling laws for anatomical segmentation across 15 semantic tasks and 4 imaging modalities, demonstrating that larger datasets significantly improve segmentation performance, following similar scaling trends. Motivated by the topological isomorphism in images sharing anatomical structures, we evaluate the impact of deformation-guided augmentation strategies on data scaling laws, specifically random elastic deformation and registration-guided deformation. We also propose a novel, scalable image augmentation approach that generates diffeomorphic mappings from geodesic subspace based on image registration to introduce realistic deformation. Our experimental results demonstrate that both registered and generated deformation-based augmentation considerably enhance data utilization efficiency. The proposed generated deformation method notably achieves superior performance and accelerated convergence, surpassing standard power law scaling trends without requiring additional data. Overall, this work provides insights into the understanding of segmentation scalability and topological variation impact in medical imaging, thereby leading to more efficient model development with reduced annotation and computational costs.
• Abstract（参考訳）: 訓練されたディープニューラルネットワークの人口減少は、トレーニングデータセットのサイズに応じた電力法スケーリングを示し、ディープラーニングアプリケーションにおける大幅なパフォーマンス向上を導いていることが多い。 本研究では,医学的解剖学的セグメンテーション(未探索領域)の文脈におけるデータサイズとのスケーリング関係に着目した。 我々は、15のセマンティックタスクと4つの画像モダリティにまたがる解剖学的セグメンテーションのスケーリング法則を分析し、より大きなデータセットが同様のスケーリングトレンドに従ってセグメンテーション性能を著しく改善することを示した。 解剖学的構造を共有する画像のトポロジカルアイソモーフィズムにより, 変形誘導法がデータスケーリング法則, 特にランダム弾性変形と登録誘導変形に与える影響を評価する。 また、画像登録に基づく測地線部分空間から微分同相写像を生成して、現実的な変形を導入する、新しいスケーラブルな画像拡張手法を提案する。 以上の結果から, 登録および生成した変形に基づく増大はデータ利用効率を著しく向上させることが示された。 提案した変形法は, 余分なデータを必要としない標準電力法則のスケーリング傾向を超越し, 優れた性能と収束を顕著に達成する。 全体として、この研究は、セグメンテーションのスケーラビリティと医用画像におけるトポロジカル変動の影響の理解に関する洞察を与え、アノテーションと計算コストを削減したより効率的なモデル開発をもたらす。

関連論文リスト

• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Boosting Medical Image Segmentation Performance with Adaptive Convolution Layer [6.887244952811574]
  UCTransNetのような先進的なディープラーニングモデルに先立つ適応層を提案する。 我々のアプローチは、多様な解剖学的構造と微妙な画像の詳細を扱うネットワークの能力を高める。 従来のCNNよりも、同じ数のパラメータで固定されたカーネルサイズで一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2024-04-17T13:18:39Z)
• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• Local Magnification for Data and Feature Augmentation [53.04028225837681]
  LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。 LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。 実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T02:51:59Z)
• Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation [2.0978389798793873]
  一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。 本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。 一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T20:57:15Z)
• Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
  本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。 本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。 提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
  論文  参考訳（メタデータ） (2021-08-07T11:32:37Z)
• 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)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。