論文の概要: RegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading
- arxiv url: http://arxiv.org/abs/2511.18454v1
- Date: Sun, 23 Nov 2025 13:50:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.849716
- Title: RegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading
- Title（参考訳）: RegDeepLab: 胚断片化の解釈のための2段階分離フレームワーク
- Authors: Ming-Jhe Lee,
- Abstract要約: 本研究では,マルチタスク学習(MTL)フレームワークであるRegDeepLabを提案し,ステート・オブ・ザ・アーツ(SOTA)セマンティックセグメンテーション(DeepLabV3+)とマルチスケール回帰ヘッドを統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The degree of embryo fragmentation serves as a critical morphological indicator for assessing embryo developmental potential in In Vitro Fertilization (IVF) clinical decision-making. However, current manual grading processes are not only time-consuming but also limited by significant inter-observer variability and efficiency bottlenecks. Although deep learning has demonstrated potential in automated grading in recent years, existing solutions face a significant challenge: pure regression models lack the visual explainability required for clinical practice, while pure segmentation models struggle to directly translate pixel-level masks into precise clinical grades. This study proposes RegDeepLab, a dual-branch Multi-Task Learning (MTL) framework that integrates State-of-the-Art (SOTA) semantic segmentation (DeepLabV3+) with a multi-scale regression head. Addressing the common issues of "Gradient Conflict" and "Negative Transfer" in multi-task training, we propose a "Two-Stage Decoupled Training Strategy." Experimental results demonstrate that while standard end-to-end MTL training can minimize grading error (MAE=0.046) through our designed "Feature Injection" mechanism, it compromises the integrity of segmentation boundaries. In contrast, our decoupled strategy successfully provides robust and high-precision grading predictions while preserving SOTA-level segmentation accuracy (Dice=0.729). Furthermore, we introduce a "Range Loss" to effectively utilize large-scale discrete grading data for semi-supervised learning. This study ultimately presents a dual-module clinical auxiliary solution that combines high accuracy with visual explainability.
- Abstract（参考訳）: 胚断片化の程度は、In Vitro Fertilization (IVF) における胚発生能を評価する重要な形態指標となる。
しかし、現在の手動のグルーピングプロセスは時間を要するだけでなく、サーバ間の大きなばらつきと効率のボトルネックによって制限されている。
近年、ディープラーニングは自動グレーディングの可能性を証明しているが、既存のソリューションでは、純粋な回帰モデルには臨床実践に必要な視覚的説明能力が欠如しており、純粋なセグメンテーションモデルはピクセルレベルのマスクを直接正確な臨床成績に翻訳するのに苦労している。
本研究では,マルチタスク学習(MTL)フレームワークであるRegDeepLabを提案し,ステート・オブ・ザ・アーツ(SOTA)セマンティックセグメンテーション(DeepLabV3+)とマルチスケール回帰ヘッドを統合する。
マルチタスクトレーニングにおける「グラディエント・コンフリクト」と「ネガティブ・トランスファー」の共通問題に対処し、「2段階分離型トレーニング戦略」を提案する。
実験の結果,標準のエンドツーエンドMTLトレーニングは,設計した"Feature Injection"機構によるグレーディングエラー(MAE=0.046)を最小限に抑えることができるが,セグメンテーション境界の整合性を損なうことが示された。
一方, 分離戦略はSOTAレベルのセグメンテーション精度を保ちながら, 堅牢かつ高精度なグレーディング予測を実現している(Dice=0.729)。
さらに,大規模離散階調データを半教師付き学習に効果的に活用する「ラウンジロス」を導入する。
本研究は、高精度と視覚的説明可能性を組み合わせた二重加群臨床補助溶液を最終的に提示する。
関連論文リスト
- OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。
解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。
このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
論文 参考訳（メタデータ） (2025-07-25T13:00:40Z) - HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。
この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
論文 参考訳（メタデータ） (2025-04-14T04:52:24Z) - Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound [40.97115667616978]
正確なセグメンテーションのために2D/3Dボックスにのみ依存するFlip Learningと呼ばれる新しい学習ベースのWSSフレームワークを導入する。
ボックスからターゲットを消去して分類タグのフリップを容易にするために複数のエージェントが使用され、消去された領域が予測されたセグメンテーションマスクとして機能する。
提案手法は最先端のWSS手法や基礎モデルより優れており,完全教師付き学習アルゴリズムと同等の性能を発揮する。
論文 参考訳（メタデータ） (2025-03-26T16:20:02Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - GSB: Group Superposition Binarization for Vision Transformer with
Limited Training Samples [46.025105938192624]
Vision Transformer (ViT) は様々なコンピュータビジョンタスクにおいて顕著に機能している。
ViTは通常、比較的限られた数のトレーニングサンプルで深刻なオーバーフィッティング問題に悩まされる。
本稿では,GSB(Group Superposition Binarization)と呼ばれる新しいモデルバイナライゼーション手法を提案する。
論文 参考訳（メタデータ） (2023-05-13T14:48:09Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z)
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。