論文の概要: MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting

• arxiv url: http://arxiv.org/abs/2511.18894v1
• Date: Mon, 24 Nov 2025 08:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.12033
• Title: MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting
• Title（参考訳）: MetaDCSeg: Meta Dynamic Center Weightingによるロバストな医用画像セグメンテーション
• Authors: Chenyu Mu, Guihai Chen, Xun Yang, Erkun Yang, Cheng Deng,
• Abstract要約: 医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
• 参考スコア（独自算出の注目度）: 77.31583168890633
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Medical image segmentation is crucial for clinical applications, but it is frequently disrupted by noisy annotations and ambiguous anatomical boundaries, which lead to instability in model training. Existing methods typically rely on global noise assumptions or confidence-based sample selection, which inadequately mitigate the performance degradation caused by annotation noise, especially in challenging boundary regions. To address this issue, we propose MetaDCSeg, a robust framework that dynamically learns optimal pixel-wise weights to suppress the influence of noisy ground-truth labels while preserving reliable annotations. By explicitly modeling boundary uncertainty through a Dynamic Center Distance (DCD) mechanism, our approach utilizes weighted feature distances for foreground, background, and boundary centers, directing the model's attention toward hard-to-segment pixels near ambiguous boundaries. This strategy enables more precise handling of structural boundaries, which are often overlooked by existing methods, and significantly enhances segmentation performance. Extensive experiments across four benchmark datasets with varying noise levels demonstrate that MetaDCSeg consistently outperforms existing state-of-the-art methods.
• Abstract（参考訳）: 医用画像のセグメンテーションは臨床応用には不可欠であるが、ノイズの多いアノテーションや曖昧な解剖学的境界によってしばしば破壊され、モデルトレーニングの不安定性を引き起こす。 既存の手法は一般的に大域的なノイズ仮定や信頼に基づくサンプル選択に依存しており、特に挑戦的な境界領域において、アノテーションノイズによる性能劣化が不十分である。 提案するMetaDCSegは,高信頼なアノテーションを保ちながら,ノイズの多い接地トラスラベルの影響を抑えるために,最適な画素重みを動的に学習する頑健なフレームワークである。 ダイナミックセンター距離(DCD)機構を用いて境界不確実性を明示的にモデル化することにより,前景,背景,境界中心の重み付き特徴距離を利用して,曖昧な境界付近のハード・ツー・セグメンション画素にモデルを向ける。 この戦略は、既存の手法でしばしば見過ごされる構造境界のより正確な処理を可能にし、セグメンテーション性能を大幅に向上させる。 さまざまなノイズレベルを持つ4つのベンチマークデータセットに対する大規模な実験は、MetaDCSegが既存の最先端メソッドを一貫して上回っていることを示している。

関連論文リスト

• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images [8.010602776500237]
  Evidential Uncertainty-Guided Interactive (EUGIS) は、超音波画像セグメンテーションの明確な不確実性推定に基づくエンドツーエンドの対話的セグメンテーションパラダイムである。 提案手法は, 高度に訓練された放射線学者の対話行動のシミュレーションを効果的に行うことができ, サンプリング対象度を高めつつ, 必要なプロンプトやイテレーションの数を削減できる。
  論文  参考訳（メタデータ） (2025-01-02T05:41:25Z)
• Dynamic Position Transformation and Boundary Refinement Network for Left Atrial Segmentation [17.09918110723713]
  左心房細動は不整脈(心房細動)の診断において重要な手法である。 LAセグメンテーションの現在のほとんどの方法は、入力データがオブジェクト指向のセンタートリミングによって取得されると厳密に仮定している。 本稿では,これらの問題に対処するための新しい動的位置変換と境界改善ネットワーク(DPBNet)を提案する。
  論文  参考訳（メタデータ） (2024-07-07T22:09:35Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Exploring and Exploiting Decision Boundary Dynamics for Adversarial Robustness [59.948529997062586]
  既存の堅牢なトレーニング手法が、トレーニング中の各弱点点のマージンを効果的に増加させるかどうかは不明である。 本稿では,各点に対する決定境界の相対速度を定量化する連続時間フレームワークを提案する。 より小さなマージンの増大を優先する運動に決定境界が関与することを奨励するDyART(Dynamics-Aware Robust Training)を提案する。
  論文  参考訳（メタデータ） (2023-02-06T18:54:58Z)
• Left Ventricle Contouring in Cardiac Images Based on Deep Reinforcement Learning [0.12891210250935145]
  本稿では,エージェント強化学習に基づく医用画像のインタラクティブセグメンテーション手法を提案する。 我々は,ある順序で対象輪郭を描画する動的過程を,深い強化学習法に基づくマルコフ決定過程(MDP)としてモデル化する。 実験の結果, 少数の医用画像データセットにおいて, 左室のセグメンテーション効果は良好であった。
  論文  参考訳（メタデータ） (2021-06-08T06:30:32Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。