論文の概要: Pancakes: Consistent Multi-Protocol Image Segmentation Across Biomedical Domains

• arxiv url: http://arxiv.org/abs/2512.13534v1
• Date: Mon, 15 Dec 2025 17:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.768825
• Title: Pancakes: Consistent Multi-Protocol Image Segmentation Across Biomedical Domains
• Title（参考訳）: Pancakes: バイオメディカルドメイン全体にわたる一貫性のあるマルチプロトコルイメージセグメンテーション
• Authors: Marianne Rakic, Siyu Gai, Etienne Chollet, John V. Guttag, Adrian V. Dalca,
• Abstract要約: 複数のプロトコル用のマルチラベルセグメンテーションマップを自動生成するフレームワークであるPancakesを紹介する。 提案モデルでは, 既存の基盤モデルよりも, 複数の画像の分割が可能であることを実証する。
• 参考スコア（独自算出の注目度）: 16.024959376939158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A single biomedical image can be meaningfully segmented in multiple ways, depending on the desired application. For instance, a brain MRI can be segmented according to tissue types, vascular territories, broad anatomical regions, fine-grained anatomy, or pathology, etc. Existing automatic segmentation models typically either (1) support only a single protocol, the one they were trained on, or (2) require labor-intensive manual prompting to specify the desired segmentation. We introduce Pancakes, a framework that, given a new image from a previously unseen domain, automatically generates multi-label segmentation maps for multiple plausible protocols, while maintaining semantic consistency across related images. Pancakes introduces a new problem formulation that is not currently attainable by existing foundation models. In a series of experiments on seven held-out datasets, we demonstrate that our model can significantly outperform existing foundation models in producing several plausible whole-image segmentations, that are semantically coherent across images.
• Abstract（参考訳）: 単一のバイオメディカルイメージは、望まれる用途に応じて、複数の方法で意味のあるセグメンテーションを行うことができる。 例えば、脳MRIは、組織の種類、血管領域、広範囲の解剖学的領域、微細な解剖学、病理学などに応じてセグメント化することができる。 既存の自動セグメンテーションモデルは通常、(1)訓練されたプロトコルである1つのプロトコルのみをサポートするか、(2)所望のセグメンテーションを指定するために労働集約的なマニュアルプロンプトを必要とするかのいずれかである。 このフレームワークは、複数の可視プロトコル用の複数ラベルのセグメンテーションマップを自動生成し、関連する画像間のセマンティック一貫性を維持する。 Pancakesでは,既存の基盤モデルでは実現不可能な,新たな問題定式化を導入している。 7つのホールドアウトデータセットに関する一連の実験において、我々のモデルは、画像間でセグメンテーションをセグメンテーションすることで、既存の基盤モデルよりもはるかに優れることを示した。

関連論文リスト

• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge for Semi-Supervised Learning in Medical Image Segmentation [27.044797468878837]
  Segment Anything Model (SAM)は、自然画像に広範囲のオブジェクトを分割する機能を示す。 本稿では、SAMとドメイン固有の知識を組み合わせて、ラベルなし画像の信頼性の高い利用法を提案する。 本研究は,医用画像セグメンテーションのための半教師あり学習の新たな方向性を創出する。
  論文  参考訳（メタデータ） (2023-08-26T04:46:10Z)
• One-Prompt to Segment All Medical Images [18.829371793411347]
  本稿では「ワン・プロンプト」と呼ばれる普遍的な医用画像セグメンテーションに向けた新しいパラダイムを紹介する。 One-Promptは、ワンショットとインタラクティブなメソッドの長所を組み合わせたものだ。推論の段階では、textbfoneがトリガーしたサンプルと組み合わせることで、1回のフォワードパスで目に見えないタスクを正確に処理することができる。 以前にない14のデータセットでテストされたOne-Prompt Modelは、優れたゼロショットセグメンテーション機能を示し、幅広い関連するメソッドを上回っている。
  論文  参考訳（メタデータ） (2023-05-17T15:37:47Z)
• 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)
• Multi-center anatomical segmentation with heterogeneous labels via landmark-based models [5.1618890441642]
  現状のピクセルレベルのセグメンテーションモデルは、ドメインの問題やラベルの矛盾により、このタスクを鼻で学べないことを示す。 次に、グラフベースの表現を用いて利用可能な解剖構造を学習するランドマークベースセグメンテーションモデルであるHybridGNetを採用することを提案する。
  論文  参考訳（メタデータ） (2022-11-14T14:25:52Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)

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。