論文の概要: Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization

• arxiv url: http://arxiv.org/abs/2512.00748v1
• Date: Sun, 30 Nov 2025 05:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.397117
• Title: Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization
• Title（参考訳）: 多様性とパーソナライゼーションのためのマルチレータ医用画像セグメントの確率論的モデリング
• Authors: Ke Liu, Shangde Gao, Yichao Fu, Shangqi Gao, Chunhua Shen,
• Abstract要約: マルチレータ医用画像(ProSeg)の確率的モデリングを提案する。 当社のProSegは最先端のパフォーマンスを新たに達成し,多種多様かつ専門的な個人化されたセグメンテーション結果を提供する。
• 参考スコア（独自算出の注目度）: 47.42588216085903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is inherently influenced by data uncertainty, arising from ambiguous boundaries in medical scans and inter-observer variability in diagnosis. To address this challenge, previous works formulated the multi-rater medical image segmentation task, where multiple experts provide separate annotations for each image. However, existing models are typically constrained to either generate diverse segmentation that lacks expert specificity or to produce personalized outputs that merely replicate individual annotators. We propose Probabilistic modeling of multi-rater medical image Segmentation (ProSeg) that simultaneously enables both diversification and personalization. Specifically, we introduce two latent variables to model expert annotation preferences and image boundary ambiguity. Their conditional probabilistic distributions are then obtained through variational inference, allowing segmentation outputs to be generated by sampling from these distributions. Extensive experiments on both the nasopharyngeal carcinoma dataset (NPC) and the lung nodule dataset (LIDC-IDRI) demonstrate that our ProSeg achieves a new state-of-the-art performance, providing segmentation results that are both diverse and expert-personalized. Code can be found in https://github.com/AI4MOL/ProSeg.
• Abstract（参考訳）: 医用画像のセグメンテーションは、医用スキャンにおける曖昧な境界と診断におけるサーバ間変動から生じるデータ不確実性に本質的に影響される。 この課題に対処するため、以前の研究では、複数の専門家が各画像に対して個別のアノテーションを提供するマルチラタ・メディカルイメージセグメンテーションタスクを定式化した。 しかし、既存のモデルは通常、専門家の特異性に欠ける多様なセグメンテーションを生成するか、個々のアノテータを単に複製するパーソナライズされたアウトプットを生成するかに制約される。 本稿では,多層化とパーソナライゼーションの両面を同時に実現可能な多層医用画像分割(ProSeg)の確率的モデリングを提案する。 具体的には、専門家のアノテーションの好みと画像境界のあいまいさをモデル化するために2つの潜伏変数を導入する。 それらの条件確率分布は変分推論によって得られ、これらの分布からサンプリングすることで分割出力が生成される。 鼻咽頭癌データセット(NPC)と肺結節癌データセット(LIDC-IDRI)の併用実験により,ProSegが新たな最先端性能を実現し,多様かつ専門的個人化が可能なセグメンテーション結果が得られた。 コードはhttps://github.com/AI4MOL/ProSegにある。

関連論文リスト

• ProSona: Prompt-Guided Personalization for Multi-Expert Medical Image Segmentation [1.7251279593823998]
  本稿では,アノテーションスタイルの連続的な潜在空間を学習し,自然言語によるパーソナライズを可能にするフレームワークProSonaを紹介する。 確率的U-Netバックボーンは様々な専門家の仮説を捉え、プロンプト誘導プロジェクション機構はこの潜在空間をナビゲートしてパーソナライズされたセグメンテーションを生成する。 LIDC-IDRI肺結節と多施設MRIデータセット全体で、ProSonaは一般エネルギー距離を17%削減し、DPersonaと比較して平均Diceを1ポイント以上改善する。
  論文  参考訳（メタデータ） (2025-11-11T09:50:36Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Diversified and Personalized Multi-rater Medical Image Segmentation [43.47142636000329]
  本稿ではD-Personaという2段階のフレームワークを提案する。 ステージIでは、複数のアノテーションを使って確率的U-Netモデルをトレーニングし、予測の多様性を改善するために制約付き損失を制限した。 ステージIIでは、複数の注意に基づく投影ヘッドを設計し、対応する専門家のプロンプトを共有潜在空間から適応的にクエリし、パーソナライズされた医用画像セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-03-20T09:00:19Z)
• Uncertainty-Aware Adapter: Adapting Segment Anything Model (SAM) for Ambiguous Medical Image Segmentation [20.557472889654758]
  Segment Anything Model (SAM) は自然画像のセグメンテーションにおいて大きな成功を収めた。 自然画像とは異なり、医療画像の多くの組織や病変はぼやけており、曖昧である可能性がある。 本研究では,不確実性を認識した医療画像のセグメンテーションのためにSAMを効率よく微調整するUncertainty-aware Adapterという新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-16T14:11:54Z)
• Probabilistic Modeling of Inter- and Intra-observer Variability in Medical Image Segmentation [12.594098548008832]
  我々は、確率的オブザーバとiNtraオブザーバ変異NetwOrk(ピオノ)と呼ばれる新しいモデルを提案する。 各レーダのラベル付け動作を多次元確率分布で捉え、確率的セグメンテーション予測を生成する。 実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証している。
  論文  参考訳（メタデータ） (2023-07-21T07:29:38Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)

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。