論文の概要: Bridging 3D Deep Learning and Curation for Analysis and High-Quality Segmentation in Practice

• arxiv url: http://arxiv.org/abs/2511.22236v1
• Date: Thu, 27 Nov 2025 09:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.468369
• Title: Bridging 3D Deep Learning and Curation for Analysis and High-Quality Segmentation in Practice
• Title（参考訳）: 実践における分析と高品質セグメンテーションのための3次元深層学習とキュレーション
• Authors: Simon Püttmann, Jonathan Jair Sànchez Contreras, Lennart Kowitz, Peter Lampen, Saumya Gupta, Davide Panzeri, Nina Hagemann, Qiaojie Xiong, Dirk M. Hermann, Cao Chen, Jianxu Chen,
• Abstract要約: 本稿では,大規模な3次元顕微鏡分割における不確実性誘導型キュレーションのためのオープンソースツールであるVessQCを紹介する。 VessQCは、生物学的に意味のあるエラーを含むであろう領域にユーザーの注意を向ける。
• 参考スコア（独自算出の注目度）: 3.08030111210499
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate 3D microscopy image segmentation is critical for quantitative bioimage analysis but even state-of-the-art foundation models yield error-prone results. Therefore, manual curation is still widely used for either preparing high-quality training data or fixing errors before analysis. We present VessQC, an open-source tool for uncertainty-guided curation of large 3D microscopy segmentations. By integrating uncertainty maps, VessQC directs user attention to regions most likely containing biologically meaningful errors. In a preliminary user study uncertainty-guided correction significantly improved error detection recall from 67% to 94.0% (p=0.007) without a significant increase in total curation time. VessQC thus enables efficient, human-in-the-loop refinement of volumetric segmentations and bridges a key gap in real-world applications between uncertainty estimation and practical human-computer interaction. The software is freely available at github.com/MMV-Lab/VessQC.
• Abstract（参考訳）: 正確な3次元顕微鏡画像分割は定量的な生体画像解析には重要であるが、最先端の基礎モデルでさえエラーを起こしやすい。 そのため、高品質なトレーニングデータを作成するか、分析の前にエラーを修正するために、手作業によるキュレーションが依然として広く使われている。 本稿では,大規模な3次元顕微鏡分割における不確実性誘導型キュレーションのためのオープンソースツールであるVessQCを紹介する。 不確実性マップを統合することで、VessQCは、生物学的に意味のあるエラーを含む可能性のある領域にユーザーの注意を向ける。 予備的なユーザスタディでは、不確実性誘導補正によりエラー検出リコールが67%から94.0%(p=0.007)に大幅に改善され、総キュレーション時間も大幅に増加した。 これにより、VessQCは、ボリュームセグメンテーションの効率よく、ループ内での洗練を可能にし、不確実性推定と実用的な人間とコンピュータの相互作用の間の現実的な応用における重要なギャップを橋渡しする。 このソフトウェアはgithub.com/MMV-Lab/VessQCで無料で入手できる。

関連論文リスト

• Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images [0.0]
  脈絡膜壊死は良性色素性眼の病変であり、メラノーマに転移するリスクは少ない。 早期発見は生存率を改善するために重要であるが、誤診や診断の遅れは予後不良につながる可能性がある。 本稿では,数理/クラスタリングセグメンテーションモデルとU-Netの知見を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T22:10:56Z)
• Average Calibration Losses for Reliable Uncertainty in Medical Image Segmentation [14.869379716339212]
  医用画像セグメンテーションのためのディープニューラルネットワークは、しばしば過信され、信頼性と臨床的有用性の両方を損なう。 画像毎に計算可能な補助的損失として,L1平均誤差(mL1-ACE)の微分可能な定式化を提案する。 ソフトボンドの変種は、Diceとクロスエントロピー損失ベースラインよりもキャリブレーションの最大の改善をもたらすが、しばしばセグメンテーション性能を損なう。
  論文  参考訳（メタデータ） (2025-06-04T13:32:07Z)
• Validation of musculoskeletal segmentation model with uncertainty estimation for bone and muscle assessment in hip-to-knee clinical CT images [0.795142520168573]
  本研究の目的は,大腿部および大腿部のボリュームMSKセグメンテーションにおける深部学習モデルの改善について検証することであった。 モデルでは,すべてのセグメンテーション精度と構造体積/密度評価指標に関して,全体的な改善が示されている。
  論文  参考訳（メタデータ） (2024-09-04T14:49:35Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs [9.237363938772479]
  深層学習Mask Regional Convolutional Neural Network (Mask R-CNN)モデルを用いて, 電子顕微鏡によるFeCrAl合金の欠陥のセマンティックセグメンテーションを行う。 本稿では, 欠陥形状の予測分布, 欠陥サイズ, 欠陥同感度などの量に着目し, キーモデルの性能統計の詳細な分析を行う。 全体として、現在のモデルは、顕微鏡画像中の複数の欠陥タイプを自動解析し、定量化するための、高速で効果的なツールであることがわかった。
  論文  参考訳（メタデータ） (2021-10-15T17:57:59Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。