論文の概要: Breast Cell Segmentation Under Extreme Data Constraints: Quantum Enhancement Meets Adaptive Loss Stabilization

• arxiv url: http://arxiv.org/abs/2512.02302v1
• Date: Tue, 02 Dec 2025 00:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.664162
• Title: Breast Cell Segmentation Under Extreme Data Constraints: Quantum Enhancement Meets Adaptive Loss Stabilization
• Title（参考訳）: 極端データ制約下における乳房細胞の分節化:適応的損失安定化と量子化
• Authors: Varun Kumar Dasoju, Qingsu Cheng, Zeyun Yu,
• Abstract要約: 我々のフレームワークは95.5%+/-0.3%のDiceスコアと91.2%+/-0.4%のIoUを599のトレーニング画像で達成している。 限られたアノテーションでパフォーマンスを飛躍的に向上させることで、データセット作成に必要な医療専門家の時間を大幅に短縮する。
• 参考スコア（独自算出の注目度）: 1.044992176213712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotating medical images demands significant time and expertise, often requiring pathologists to invest hundreds of hours in labeling mammary epithelial nuclei datasets. We address this critical challenge by achieving 95.5% Dice score using just 599 training images for breast cell segmentation, where just 4% of pixels represent breast tissue and 60% of images contain no breast regions. Our framework uses quantum-inspired edge enhancement via multi-scale Gabor filters creating a fourth input channel, enhancing boundary detection where inter-annotator variations reach +/- 3 pixels. We present a stabilized multi-component loss function that integrates adaptive Dice loss with boundary-aware terms and automatic positive weighting to effectively address severe class imbalance, where mammary epithelial cell regions comprise only 0.1%-20% of the total image area. Additionally, a complexity-based weighted sampling strategy is introduced to prioritize the challenging mammary epithelial cell regions. The model employs an EfficientNet-B7/UNet++ architecture with a 4-to-3 channel projection, enabling the use of pretrained weights despite limited medical imaging data. Finally, robust validation is achieved through exponential moving averaging and statistical outlier detection, ensuring reliable performance estimates on a small validation set (129 images). Our framework achieves a Dice score of 95.5% +/- 0.3% and an IoU of 91.2% +/- 0.4%. Notably, quantum-based enhancement contributes to a 2.1% improvement in boundary accuracy, while weighted sampling increases small lesion detection by 3.8%. By achieving groundbreaking performance with limited annotations, our approach significantly reduces the medical expert time required for dataset creation, addressing a fundamental bottleneck in clinical perception AI development.
• Abstract（参考訳）: 医学画像の注釈付けにはかなりの時間と専門知識が必要であり、しばしば病理学者は乳腺上皮核のデータセットのラベル付けに数百時間を費やしなければならない。 95.5%のDiceスコアを、乳房細胞分画のための599のトレーニング画像で達成し、わずか4%のピクセルが乳房組織を表し、60%の画像が乳房領域を含まないという、この重要な課題に対処する。 我々のフレームワークは、マルチスケールのGaborフィルタによって第4の入力チャネルを生成し、アノテータ間のバリエーションが +/- 3 ピクセルに達する境界検出を強化する。 乳腺上皮細胞領域が全画像領域の0.1%-20%を占める場合,適応Dice損失と境界認識項と自動正重み付けを併用して,重度のクラス不均衡を効果的に解消する安定化多成分損失関数を提案する。 さらに, 乳腺上皮細胞領域の課題を優先するために, 複雑性に基づく重み付けサンプリング戦略が導入された。 このモデルは、4-to-3チャネルプロジェクションを備えたEfficientNet-B7/UNet++アーキテクチャを採用しており、医療画像データに制限があるにもかかわらず、事前トレーニングされた重量を使用することができる。 最後に、指数的な移動平均化と統計的外れ値検出によってロバストなバリデーションを実現し、小さなバリデーションセット(129画像)上での信頼性の高い性能推定を確実にする。 我々のフレームワークは95.5%+/-0.3%のDiceスコアと91.2%+/-0.4%のIoUを達成している。 特に、量子ベースの拡張は境界精度を2.1%向上させ、加重サンプリングは小さな病変の検出を3.8%増加させる。 限られたアノテーションでパフォーマンスを高めることで、私たちのアプローチはデータセット作成に必要な医療専門家時間を著しく短縮し、臨床知覚AI開発における根本的なボトルネックに対処します。

関連論文リスト

• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers [51.45596445363302]
  GlobeReadyはクリニックフレンドリーなAIプラットフォームで、再トレーニング、微調整、技術専門知識の必要性なしに、基礎疾患の診断を可能にする。 光コヒーレンス・トモグラフィー(OCT)スキャンを用いて、カラー・ファンドス写真(CPF)を用いた11のファンドス病(93.9-98.5%)と15のファンドス病(87.2-92.7%)の精度を示した。 トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、センターや人口間のドメインシフトを効果的に軽減する。
  論文  参考訳（メタデータ） (2025-04-22T14:17:22Z)
• A Multi-Modal AI System for Screening Mammography: Integrating 2D and 3D Imaging to Improve Breast Cancer Detection in a Prospective Clinical Study [2.9992821862882546]
  偽陽性のリコールは乳がん検診において依然として懸念されている。 我々は,マルチモーダルな人工知能システムを開発し,全フィールドデジタルマンモグラフィーと合成マンモグラフィーを統合した。 約50万の試験でトレーニングされた私たちのAIシステムは、内部テストセットで0.945 AUROCを達成しました。
  論文  参考訳（メタデータ） (2025-04-08T03:29:40Z)
• Enhancing Diabetic Retinopathy Diagnosis: A Lightweight CNN Architecture for Efficient Exudate Detection in Retinal Fundus Images [0.0]
  本稿では,自動解凍器検出に適した,新しい軽量畳み込みニューラルネットワークアーキテクチャを提案する。 我々は、モデルの一般化性を高めるために、ドメイン固有のデータ拡張を取り入れた。 本モデルでは,F1スコアの90%を達成し,基礎画像による糖尿病網膜症の早期発見における有効性を示した。
  論文  参考訳（メタデータ） (2024-08-13T10:13:33Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)

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。