論文の概要: BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2511.19394v1
- Date: Mon, 24 Nov 2025 18:31:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.364573
- Title: BackSplit: The Importance of Sub-dividing the Background in Biomedical Lesion Segmentation
- Title（参考訳）: BackSplit: バイオメディカル病変セグメンテーションにおける背景分割の重要性
- Authors: Rachit Saluja, Asli Cihangir, Ruining Deng, Johannes C. Paetzold, Fengbei Liu, Mert R. Sabuncu,
- Abstract要約: BackSplitと呼ばれるバックグラウンドクラスをサブ分割するきめ細かいラベルによるトレーニングは、推論コストを増大させることなく、大幅なパフォーマンス向上をもたらす可能性がある、と私たちは主張する。
複数のデータセットにわたる広範な実験により、BackSplitが一貫して小さなセグメンテーション性能を向上することを示した。
- 参考スコア（独自算出の注目度）: 10.553626345478635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmenting small lesions in medical images remains notoriously difficult. Most prior work tackles this challenge by either designing better architectures, loss functions, or data augmentation schemes; and collecting more labeled data. We take a different view, arguing that part of the problem lies in how the background is modeled. Common lesion segmentation collapses all non-lesion pixels into a single "background" class, ignoring the rich anatomical context in which lesions appear. In reality, the background is highly heterogeneous-composed of tissues, organs, and other structures that can now be labeled manually or inferred automatically using existing segmentation models. In this paper, we argue that training with fine-grained labels that sub-divide the background class, which we call BackSplit, is a simple yet powerful paradigm that can offer a significant performance boost without increasing inference costs. From an information theoretic standpoint, we prove that BackSplit increases the expected Fisher Information relative to conventional binary training, leading to tighter asymptotic bounds and more stable optimization. With extensive experiments across multiple datasets and architectures, we empirically show that BackSplit consistently boosts small-lesion segmentation performance, even when auxiliary labels are generated automatically using pretrained segmentation models. Additionally, we demonstrate that auxiliary labels derived from interactive segmentation frameworks exhibit the same beneficial effect, demonstrating its robustness, simplicity, and broad applicability.
- Abstract（参考訳）: 医用画像の小さな病変の分離はいまだに困難である。
これまでのほとんどの作業では、よりよいアーキテクチャ、損失関数、データ拡張スキームを設計し、ラベル付きデータを収集することで、この問題に対処している。
問題の一部は背景がどのようにモデル化されているかにある、と我々は主張する。
一般的な病変のセグメンテーションは、すべての非病変ピクセルを単一の"背景"クラスに分解し、病変が現れるリッチな解剖学的文脈を無視します。
実際には、背景は組織、臓器、その他の構造で、手動でラベル付けしたり、既存のセグメンテーションモデルを使って自動的に推測することができる。
本稿では,BackSplitと呼ぶバックグラウンドクラスをサブ分割する,きめ細かいラベルを用いたトレーニングが,推論コストを増大させることなく大幅なパフォーマンス向上を実現する,シンプルかつ強力なパラダイムである,と論じる。
情報理論の観点からは、バックスプリットが従来の二分学習と比較して期待される漁業情報を増やし、漸近的境界がより強く、より安定した最適化をもたらすことが証明される。
複数のデータセットやアーキテクチャにわたる広範な実験により、BackSplitは、事前訓練されたセグメンテーションモデルを使用して補助ラベルが自動生成された場合でも、一貫して小さなセグメンテーション性能を向上することを示した。
さらに,対話型セグメンテーションフレームワークから派生した補助ラベルは同じ効果を示し,その堅牢性,単純性,広範囲な適用性を示す。
関連論文リスト
- Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Towards Automated Polyp Segmentation Using Weakly- and Semi-Supervised
Learning and Deformable Transformers [8.01814397869811]
ポリープセグメンテーションは大腸癌のコンピュータ診断への重要なステップである。
ポリプセグメンテーションの手法の多くは、ピクセル単位のアノテートデータセットを必要とする。
本稿では,弱い注釈付き画像のみを用いて,ラベルなし画像の活用によりトレーニング可能な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） (2022-11-21T20:44:12Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。
特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。
複数の胸部X線データセットに対する肺分画実験を行った。
論文 参考訳（メタデータ） (2021-08-09T05:58:49Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - A Simple Baseline for Semi-supervised Semantic Segmentation with Strong
Data Augmentation [74.8791451327354]
セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。
単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。
本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2021-04-15T06:01:39Z) - A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。
このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。
一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。
二 旧クラスの忘れ物 正規化戦略で解決できるもの。
論文 参考訳（メタデータ） (2020-11-30T20:45:56Z) - 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) - Semi-supervised few-shot learning for medical image segmentation [21.349705243254423]
大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。
セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。
エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
論文 参考訳（メタデータ） (2020-03-18T20:37:18Z)
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。