論文の概要: Pareto-Guided Optimization for Uncertainty-Aware Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2601.19365v1
• Date: Tue, 27 Jan 2026 08:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.255589
• Title: Pareto-Guided Optimization for Uncertainty-Aware Medical Image Segmentation
• Title（参考訳）: 不確実性を考慮した医用画像分割のためのPareto-Guided Optimization
• Authors: Jinming Zhang, Xi Yang, Youpeng Yang, Haosen Shi, Yuyao Yan, Qiufeng Wang, Guangliang Cheng, Kaizhu Huang,
• Abstract要約: 医用画像分割の不確かさは本質的に一様ではない。 本研究では,特定の地域からの学習を優先し,不確実性を徐々に取り入れた地域教育戦略を提案する。
• 参考スコア（独自算出の注目度）: 40.511739208146025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty in medical image segmentation is inherently non-uniform, with boundary regions exhibiting substantially higher ambiguity than interior areas. Conventional training treats all pixels equally, leading to unstable optimization during early epochs when predictions are unreliable. We argue that this instability hinders convergence toward Pareto-optimal solutions and propose a region-wise curriculum strategy that prioritizes learning from certain regions and gradually incorporates uncertain ones, reducing gradient variance. Methodologically, we introduce a Pareto-consistent loss that balances trade-offs between regional uncertainties by adaptively reshaping the loss landscape and constraining convergence dynamics between interior and boundary regions; this guides the model toward Pareto-approximate solutions. To address boundary ambiguity, we further develop a fuzzy labeling mechanism that maintains binary confidence in non-boundary areas while enabling smooth transitions near boundaries, stabilizing gradients, and expanding flat regions in the loss surface. Experiments on brain metastasis and non-metastatic tumor segmentation show consistent improvements across multiple configurations, with our method outperforming traditional crisp-set approaches in all tumor subregions.
• Abstract（参考訳）: 医用画像のセグメンテーションの不確かさは本質的に非一様であり、境界領域は内部領域よりもかなり曖昧である。 従来の訓練は全てのピクセルを等しく扱い、予測が信頼できない初期の時代において不安定な最適化に繋がる。 この不安定性は, パレート最適解への収束を妨げ, 特定の領域からの学習を優先し, 徐々に不確実なものを取り入れ, 勾配分散を低減させる地域的カリキュラム戦略を提案する。 方法論的には、損失景観を適応的に形成し、内部領域と境界領域の収束ダイナミクスを制約することにより、地域不確実性間のトレードオフを均衡させるパレート一貫性損失を導入する。 境界の曖昧さに対処するため, 境界付近の滑らかな遷移, 勾配の安定化, 損失面の平坦な領域の拡大を実現しつつ, 非境界領域における二元的信頼を維持するファジィラベリング機構を更に開発する。 脳転移と非転移性腫瘍セグメンテーションの実験では、複数の構成で一貫した改善が見られ、本手法は、すべての腫瘍亜領域において従来のcrisp-setアプローチよりも優れていた。

関連論文リスト

• UCAD: Uncertainty-guided Contour-aware Displacement for semi-supervised medical image segmentation [0.9983209881417459]
  UCADは、半教師付き医用画像セグメンテーションのための不確実性ガイド付きコンター・アウェア・デプレースメントフレームワークである。 我々のフレームワークは、一貫性学習を強化しつつ、輪郭認識のセマンティクスを保存する。 実験により、UCADは最先端の半教師付きセグメンテーション法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-24T08:21:14Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• From Variability To Accuracy: Conditional Bernoulli Diffusion Models with Consensus-Driven Correction for Thin Structure Segmentation [0.0]
  あいまいな領域では、既存のセグメンテーションアプローチは、しばしば非連結または非分離的な結果を出力する。 本稿では,複数の拡散モデル出力からのコンセンサスを利用してセグメント化結果を補正する新しいフレームワークを提案する。 本手法は,手作業による分割結果の修正を自動化し,画像ガイド下手術計画と手術に応用できる。
  論文  参考訳（メタデータ） (2025-07-17T10:44:06Z)
• Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images [8.010602776500237]
  Evidential Uncertainty-Guided Interactive (EUGIS) は、超音波画像セグメンテーションの明確な不確実性推定に基づくエンドツーエンドの対話的セグメンテーションパラダイムである。 提案手法は, 高度に訓練された放射線学者の対話行動のシミュレーションを効果的に行うことができ, サンプリング対象度を高めつつ, 必要なプロンプトやイテレーションの数を削減できる。
  論文  参考訳（メタデータ） (2025-01-02T05:41:25Z)
• GS-EMA: Integrating Gradient Surgery Exponential Moving Average with Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in Aneurysm Segmentation [41.97669338211682]
  勾配手術指数移動平均(GS-EMA)最適化手法と境界対応コントラスト学習(BACL)を利用した新しい領域一般化戦略を提案する。 我々のアプローチは、ドメイン不変の特徴を学習することで、新しい未確認領域に適応し、様々な臨床データセット間での動脈瘤セグメンテーションの堅牢性と正確性を向上させることができるという点で際立っている。
  論文  参考訳（メタデータ） (2024-02-23T10:02:15Z)
• Learning to Generalize over Subpartitions for Heterogeneity-aware Domain Adaptive Nuclei Segmentation [8.303040737608173]
  画像レベルとインスタンスレベルの両方でドメイン不変の特徴表現を取得するために,2段階のアンタングルメントフレームワークを提案する。 合成画像における核の過剰発生と変形を防止するために, 二重分岐型核形状と構造保存モジュールを提案する。
  論文  参考訳（メタデータ） (2024-01-17T01:37:17Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。