論文の概要: Externally Validated Multi-Task Learning via Consistency Regularization Using Differentiable BI-RADS Features for Breast Ultrasound Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2511.15968v1
• Date: Thu, 20 Nov 2025 01:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.420429
• Title: Externally Validated Multi-Task Learning via Consistency Regularization Using Differentiable BI-RADS Features for Breast Ultrasound Tumor Segmentation
• Title（参考訳）: BI-RADS特徴量を用いた乳房超音波腫瘍切開のための一貫性正規化による外的マルチタスク学習
• Authors: Jingru Zhang, Saed Moradi, Ashirbani Saha,
• Abstract要約: セグメンテーションと分類の間の破壊的干渉を緩和する新しい整合正則化手法を提案する。 BrEaSTデータセット(Poland)上のすべてのモデルをトレーニングし、3つの外部データセット上で評価することで、このアプローチを検証した。
• 参考スコア（独自算出の注目度）: 2.337709693812769
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-task learning can suffer from destructive task interference, where jointly trained models underperform single-task baselines and limit generalization. To improve generalization performance in breast ultrasound-based tumor segmentation via multi-task learning, we propose a novel consistency regularization approach that mitigates destructive interference between segmentation and classification. The consistency regularization approach is composed of differentiable BI-RADS-inspired morphological features. We validated this approach by training all models on the BrEaST dataset (Poland) and evaluating them on three external datasets: UDIAT (Spain), BUSI (Egypt), and BUS-UCLM (Spain). Our comprehensive analysis demonstrates statistically significant (p<0.001) improvements in generalization for segmentation task of the proposed multi-task approach vs. the baseline one: UDIAT, BUSI, BUS-UCLM (Dice coefficient=0.81 vs 0.59, 0.66 vs 0.56, 0.69 vs 0.49, resp.). The proposed approach also achieves state-of-the-art segmentation performance under rigorous external validation on the UDIAT dataset.
• Abstract（参考訳）: マルチタスク学習は破壊的なタスク干渉に悩まされ、共同で訓練されたモデルは単一タスクベースラインを実行し、一般化を制限する。 胸部超音波を用いたマルチタスク学習による腫瘍セグメント化における一般化性能の向上を目的として, セグメンテーションと分類の破壊的干渉を緩和する新しい整合正則化手法を提案する。 整合正則化法は、BI-RADSにインスパイアされた形態的特徴から成り立っている。 我々は、BrEaSTデータセット(Poland)上のすべてのモデルをトレーニングし、3つの外部データセット(UDIAT(Spain)、BUSI(Egypt)、BUS-UCLM(Spain))で評価することで、このアプローチを検証する。 包括的分析により,提案したマルチタスクアプローチのセグメンテーションタスクに対する一般化において,UDIAT,BUSI,BUS-UCLM (Dice coefficient=0.81 vs 0.59, 0.66 vs 0.56, 0.69 vs 0.49, resp.) が統計的に有意な改善を示した。 提案手法は、UDIATデータセットの厳密な外部検証の下で、最先端のセグメンテーション性能も達成する。

関連論文リスト

• MsaMIL-Net: An End-to-End Multi-Scale Aware Multiple Instance Learning Network for Efficient Whole Slide Image Classification [0.7510165488300369]
  バグベースのMIL(Multiple Instance Learning)アプローチが、WSI(Whole Slide Image)分類の主流方法論として登場した。 本稿では,マルチスケール特徴抽出と複数インスタンス学習を統合したエンドツーエンドのWSI分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-11T16:16:44Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• Divide, Conquer, and Combine: Mixture of Semantic-Independent Experts for Zero-Shot Dialogue State Tracking [83.40120598637665]
  対話状態追跡(DST)のためのゼロショット転送学習は、ドメイン内のデータを収集するコストを伴わずに、様々なタスク指向の対話ドメインを扱うのに役立つ。 既存の研究は主に一般化を強化するために、一般的なデータまたはモデルレベルの拡張方法を研究する。 我々は、見られているデータのセマンティクスを明示的に切り離す、単純で効果的な「分割、征服、結合」ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-01T08:21:20Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)
• Deep ensemble learning for segmenting tuberculosis-consistent manifestations in chest radiographs [8.919286692649454]
  本研究は,胸部X線検査におけるTB含有病変の微細なアノテーションの有用性について検討した。 我々は,ビットワイズAND,ビットワイズOR,ビットワイズMAX,スタックなど,複数のアンサンブル手法を用いてセグメンテーション性能を評価した。 我々の知る限りでは、細粒部TBの病変分割性能を向上させるためにアンサンブル学習を適用した最初の研究である。
  論文  参考訳（メタデータ） (2022-06-13T11:51:45Z)
• On Evaluating Weakly Supervised Action Segmentation Methods [79.42955857919497]
  本研究は、弱い教師付き行動セグメント化アプローチの使用と評価の2つの側面に焦点を当てる。 それぞれの手法をBreakfastデータセット上で5回トレーニングし、平均および標準偏差を提供する。 実験の結果,これらの反復に対する標準偏差は1～2.5%であり,異なるアプローチの比較に大きく影響していることがわかった。
  論文  参考訳（メタデータ） (2020-05-19T20:30:31Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。