論文の概要: Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2511.17146v1
• Date: Fri, 21 Nov 2025 11:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.983991
• Title: Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation
• Title（参考訳）: より身近に見えるための学習:小脳病変分割のための新しいインスタンスワイズ損失
• Authors: Luc Bouteille, Alexander Jaus, Jens Kleesiek, Rainer Stiefelhagen, Lukas Heine,
• Abstract要約: 本稿では,CC-Metricsフレームワークに基づく損失関数であるCC-DiceCEを紹介し,既存のブロブ損失と比較する。 その結果,CC-DiceCEの損失は検出(リコール)を増加させるが,セグメンテーション性能は低下しない。
• 参考スコア（独自算出の注目度）: 64.7502063982282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional loss functions in medical image segmentation, such as Dice, often under-segment small lesions because their small relative volume contributes negligibly to the overall loss. To address this, instance-wise loss functions and metrics have been proposed to evaluate segmentation quality on a per-lesion basis. We introduce CC-DiceCE, a loss function based on the CC-Metrics framework, and compare it with the existing blob loss. Both are benchmarked against a DiceCE baseline within the nnU-Net framework, which provides a robust and standardized setup. We find that CC-DiceCE loss increases detection (recall) with minimal to no degradation in segmentation performance, albeit at the cost of slightly more false positives. Furthermore, our multi-dataset study shows that CC-DiceCE generally outperforms blob loss.
• Abstract（参考訳）: ディースのような医用画像分割における伝統的な損失関数は、その小さな相対体積が全体の損失に無視的に寄与するため、しばしば小さな病変を減らしている。 これを解決するために,セグメント化品質を評価するために,インスタンス単位の損失関数とメトリクスが提案されている。 本稿では,CC-Metricsフレームワークに基づく損失関数であるCC-DiceCEを紹介し,既存のブロブ損失と比較する。 どちらも、堅牢で標準化されたセットアップを提供するnnU-Netフレームワーク内のDiceCEベースラインに対してベンチマークされている。 その結果,CC-DiceCEの損失は検出(リコール)を増加させるが,セグメンテーション性能は低下しない。 さらに, CC-DiceCEは総じてブロブ損失を上回っている。

関連論文リスト

• Preserving instance continuity and length in segmentation through connectivity-aware loss computation [0.29656637520758655]
  本稿では、出力インスタンスの接続性を維持するために、負中心線損失と簡易位相損失という2つの新しい損失関数を提案する。 我々は,軸索初期セグメント(AIS)の3次元光シート蛍光顕微鏡データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2025-09-03T09:08:47Z)
• Self-Supervised Contrastive Learning is Approximately Supervised Contrastive Learning [48.11265601808718]
  標準的な自己指導型コントラスト学習目標が暗黙的に教師付き変種を近似することを示し,我々は負のみ教師付きコントラスト学習損失(NSCL)と呼ぶ。 ラベルに依存しない,アーキテクチャに依存しない境界の下で,意味クラスの数が増えるにつれて,CLとNSCLの損失のギャップが消滅することを証明する。
  論文  参考訳（メタデータ） (2025-06-04T19:43:36Z)
• Boundary Difference Over Union Loss For Medical Image Segmentation [30.75832534753879]
  我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。 私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
  論文  参考訳（メタデータ） (2023-08-01T01:27:34Z)
• Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function [0.3437656066916039]
  本稿では,バイオメディカル画像分割作業において,ICIロスと呼ばれる新たな2成分損失を提案する。 ICI損失は、Dice損失のような画素単位の損失関数を使用する場合によく発生するインスタンス不均衡問題に対処する。
  論文  参考訳（メタデータ） (2023-04-13T02:53:50Z)
• 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)
• blob loss: instance imbalance aware loss functions for semantic segmentation [6.2334511723202]
  本稿では,インスタンスレベルの検出基準を最大化することを目的とした,損失関数の新たなファミリーであるエンフェブロブ損失を提案する。 複雑な5つの3次元セマンティックセグメンテーションタスクにおいて,DSCに基づくエンフェブロブ損失を広範囲に評価した。
  論文  参考訳（メタデータ） (2022-05-17T10:13:27Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)

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。