論文の概要: Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT

• arxiv url: http://arxiv.org/abs/2512.06849v1
• Date: Sun, 07 Dec 2025 14:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.553909
• Title: Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT
• Title（参考訳）: 腹腔鏡下CTにおける椎体転移の軽度観察
• Authors: Matan Atad, Alexander W. Marka, Lisa Steinhelfer, Anna Curto-Vilalta, Yannik Leonhardt, Sarah C. Foreman, Anna-Sophia Walburga Dietrich, Robert Graf, Alexandra S. Gersing, Bjoern Menze, Daniel Rueckert, Jan S. Kirschke, Hendrik Möller,
• Abstract要約: 脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
• 参考スコア（独自算出の注目度）: 68.09387763135236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of vertebral metastasis in CT is clinically important yet difficult to scale, as voxel-level annotations are scarce and both lytic and blastic lesions often resemble benign degenerative changes. We introduce a weakly supervised method trained solely on vertebra-level healthy/malignant labels, without any lesion masks. The method combines a Diffusion Autoencoder (DAE) that produces a classifier-guided healthy edit of each vertebra with pixel-wise difference maps that propose candidate lesion regions. To determine which regions truly reflect malignancy, we introduce Hide-and-Seek Attribution: each candidate is revealed in turn while all others are hidden, the edited image is projected back to the data manifold by the DAE, and a latent-space classifier quantifies the isolated malignant contribution of that component. High-scoring regions form the final lytic or blastic segmentation. On held-out radiologist annotations, we achieve strong blastic/lytic performance despite no mask supervision (F1: 0.91/0.85; Dice: 0.87/0.78), exceeding baselines (F1: 0.79/0.67; Dice: 0.74/0.55). These results show that vertebra-level labels can be transformed into reliable lesion masks, demonstrating that generative editing combined with selective occlusion supports accurate weakly supervised segmentation in CT.
• Abstract（参考訳）: ボクセルレベルのアノテーションは乏しく,溶血性病変も爆発性病変も良性変性によく似ているため,CTにおける脊椎転移の正確なセグメンテーションは臨床的に重要であるが,拡張が困難である。 脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 ディフュージョンオートエンコーダ(Deffusion Autoencoder、DAE)は、各脊椎の分類器による健康な編集と、候補病変領域を提案する画素単位の差分マップを合成する。 悪性度を真に反映する領域を決定するために,各候補が次々に公開され,他のすべての候補が隠蔽され,編集された画像がDAEによってデータ多様体に投影され,潜在空間分類器がその成分の孤立した悪性度を定量化する。 ハイスコーリング領域は、最終的な可溶性または爆発性セグメンテーションを形成する。 被検体を監督していないにもかかわらず強い爆発・分析性能(F1: 0.91/0.85; Dice: 0.87/0.78; F1: 0.79/0.67; Dice: 0.74/0.55; Dice: 0.74/0.55)を達成できた。 以上の結果より, 脊椎レベルのラベルは信頼性の高い病変マスクに変換可能であることが示唆された。

関連論文リスト

• Autonomous labeling of surgical resection margins using a foundation model [4.873604837915161]
  本研究は,全スライディング画像上で外科的切削面を自律的に局所化する仮想インクネットワーク(VIN)を提案する。 VINは、特徴抽出器として凍結基礎モデルと、因果一貫性のある特徴のパッチレベル分類のために訓練されたコンパクトな2層多層パーセプトロンを使用する。
  論文  参考訳（メタデータ） (2025-11-27T05:52:42Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• SD-RetinaNet: Topologically Constrained Semi-Supervised Retinal Lesion and Layer Segmentation in OCT [5.409364353574134]
  完全微分可能なバイオマーカートポロジエンジンを導入した新しい半教師付きモデルを提案する。 我々のモデルは、空間的要素とスタイル要素を分離して、不整合表現を学習する。 我々は,OCTスキャンの公開および内部データセット上で提案したモデルを評価し,病変と層分断の双方において現状よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-09-25T07:56:38Z)
• Uncertainty-Guided Coarse-to-Fine Tumor Segmentation with Anatomy-Aware Post-Processing [12.163563962576587]
  胸部CT検査では, 境界の曖昧さ, クラス不均衡, 解剖学的変動が原因で, 腫瘍の切除が困難である。 本報告では, 完全体積腫瘍局在化と高精細領域(ROI)セグメンテーションを併用した不確実性誘導粗いセグメンテーションフレームワークを提案する。 プライベートデータセットとパブリックデータセットの実験では、DiceとHausdorffのスコアが改善され、偽陽性が減り、空間的解釈性が向上した。
  論文  参考訳（メタデータ） (2025-04-16T16:08:38Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Leveraging SLIC Superpixel Segmentation and Cascaded Ensemble SVM for Fully Automated Mass Detection In Mammograms [1.7205106391379026]
  本稿では, グレースケール線形フィルタを用いた形態的拡張を支援する厳密なセグメンテーション法を提案する。 サポートベクターマシン(SVM)の新しいカスケードアンサンブルは、クラス不均衡に効果的に対処し、重要な予測を提供するために使用される。
  論文  参考訳（メタデータ） (2020-10-20T15:02:25Z)

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。