論文の概要: Improving Pre-trained Segmentation Models using Post-Processing

• arxiv url: http://arxiv.org/abs/2512.14937v1
• Date: Tue, 16 Dec 2025 22:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.796225
• Title: Improving Pre-trained Segmentation Models using Post-Processing
• Title（参考訳）: ポストプロセシングによる事前訓練セグメンテーションモデルの改善
• Authors: Abhijeet Parida, Daniel Capellán-Martín, Zhifan Jiang, Nishad Kulkarni, Krithika Iyer, Austin Tapp, Syed Muhammad Anwar, María J. Ledesma-Carbayo, Marius George Linguraru,
• Abstract要約: 本稿では,大規模事前学習モデルによるグリオーマセグメンテーションの品質向上のための適応的後処理手法を提案する。 複数のBraTS 2025セグメンテーション課題において,サブサハラアフリカ課題では14.9%,成人グリオーマ課題では0.9%向上した。
• 参考スコア（独自算出の注目度）: 4.574257127551285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas are the most common malignant brain tumors in adults and are among the most lethal. Despite aggressive treatment, the median survival rate is less than 15 months. Accurate multiparametric MRI (mpMRI) tumor segmentation is critical for surgical planning, radiotherapy, and disease monitoring. While deep learning models have improved the accuracy of automated segmentation, large-scale pre-trained models generalize poorly and often underperform, producing systematic errors such as false positives, label swaps, and slice discontinuities in slices. These limitations are further compounded by unequal access to GPU resources and the growing environmental cost of large-scale model training. In this work, we propose adaptive post-processing techniques to refine the quality of glioma segmentations produced by large-scale pretrained models developed for various types of tumors. We demonstrated the techniques in multiple BraTS 2025 segmentation challenge tasks, with the ranking metric improving by 14.9 % for the sub-Saharan Africa challenge and 0.9% for the adult glioma challenge. This approach promotes a shift in brain tumor segmentation research from increasingly complex model architectures to efficient, clinically aligned post-processing strategies that are precise, computationally fair, and sustainable.
• Abstract（参考訳）: グリオーマは成人で最も一般的な悪性脳腫瘍であり、最も致死率が高い。 攻撃的な治療にもかかわらず、平均生存率は15ヶ月未満である。 正確なマルチパラメトリックMRI(mpMRI)腫瘍セグメンテーションは,手術計画,放射線治療,疾患モニタリングに重要である。 ディープラーニングモデルは、自動セグメンテーションの精度を向上させる一方で、大規模な事前訓練モデルでは、不正陽性、ラベルスワップ、スライス不連続などの系統的なエラーを発生させるため、不完全かつしばしば性能が低下する。 これらの制限は、GPUリソースへの不平等なアクセスと、大規模モデルトレーニングの環境コストの増加によってさらに複雑になる。 本研究では,様々な種類の腫瘍に対して開発した大規模事前訓練モデルにより生成されたグリオーマセグメンテーションの品質を向上させるための適応的後処理手法を提案する。 複数のBraTS 2025セグメンテーション課題において,サブサハラアフリカ課題では14.9%,成人グリオーマ課題では0.9%向上した。 このアプローチは、より複雑なモデルアーキテクチャから、正確で、計算上公平で、持続可能な、効率的で、臨床的に整合した後処理戦略へと、脳腫瘍セグメンテーション研究のシフトを促進する。

関連論文リスト

• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• 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)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Efficient Deep Learning-based Forward Solvers for Brain Tumor Growth Models [18.222267022441734]
  非常に攻撃的な脳腫瘍であるグリオ芽腫は、予後不良と高い死亡率のために大きな課題となる。 偏微分方程式に基づくモデルは、治療効果を高める有望なポテンシャルを提供する。 本稿では,勾配に基づく最適化とニューラルフォワード解法を併用してキャリブレーション時間を大幅に短縮する手法を提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:10:25Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation [2.0886519175557368]
  我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。 このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。 検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
  論文  参考訳（メタデータ） (2024-02-10T18:03:15Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。