論文の概要: Multi-head automated segmentation by incorporating detection head into the contextual layer neural network

• arxiv url: http://arxiv.org/abs/2602.02471v1
• Date: Mon, 02 Feb 2026 18:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.382785
• Title: Multi-head automated segmentation by incorporating detection head into the contextual layer neural network
• Title（参考訳）: 検出ヘッドをコンテキスト層ニューラルネットワークに組み込んだマルチヘッド自動セグメンテーション
• Authors: Edwin Kys, Febian Febian,
• Abstract要約: 本稿では,Swin U-Netをベースとしたゲート型マルチヘッドトランスフォーマーアーキテクチャを提案する。 ゲートモデルが非ゲートセグメンテーションのみのベースラインを大幅に上回ることを示す。 これらの結果は,自動セグメンテーションアプリケーションにおいて,検出に基づくゲーティングが堅牢性と解剖学的妥当性を高めることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning based auto segmentation is increasingly used in radiotherapy, but conventional models often produce anatomically implausible false positives, or hallucinations, in slices lacking target structures. We propose a gated multi-head Transformer architecture based on Swin U-Net, augmented with inter-slice context integration and a parallel detection head, which jointly performs slice-level structure detection via a multi-layer perceptron and pixel-level segmentation through a context-enhanced stream. Detection outputs gate the segmentation predictions to suppress false positives in anatomically invalid slices, and training uses slice-wise Tversky loss to address class imbalance. Experiments on the Prostate-Anatomical-Edge-Cases dataset from The Cancer Imaging Archive demonstrate that the gated model substantially outperforms a non-gated segmentation-only baseline, achieving a mean Dice loss of $0.013 \pm 0.036$ versus $0.732 \pm 0.314$, with detection probabilities strongly correlated with anatomical presence, effectively eliminating spurious segmentations. In contrast, the non-gated model exhibited higher variability and persistent false positives across all slices. These results indicate that detection-based gating enhances robustness and anatomical plausibility in automated segmentation applications, reducing hallucinated predictions without compromising segmentation quality in valid slices, and offers a promising approach for improving the reliability of clinical radiotherapy auto-contouring workflows.
• Abstract（参考訳）: 深層学習に基づくオートセグメンテーションは放射線治療においてますます用いられるが、従来のモデルでは、標的構造が欠如しているスライスにおいて、解剖学的に理解できない偽陽性または幻覚を生じることが多い。 我々は,Swin U-Netをベースとしたゲート型マルチヘッドトランスフォーマーアーキテクチャを提案し,スライスレベルの構造検出を多層パーセプトロンと画素レベルのセグメンテーションで共同で行う。 検出はセグメンテーション予測をゲートし、解剖学的に無効なスライスで偽陽性を抑える。 The Cancer Imaging Archive の Prostate-Anatomical-Edge-Cases データセットの実験では、ゲートモデルは非ゲートセグメンテーションのみのベースラインを大幅に上回り、平均的なDice損失は0.013 pm 0.036$対$0.732 pm 0.314$であり、検出確率は解剖学的存在と強く相関しており、事実上破局的なセグメンテーションを排除している。 対照的に、非ゲートモデルは全てのスライスに対して高い変動性と持続的な偽陽性を示した。 以上の結果から, 自動セグメンテーションアプリケーションの堅牢性と解剖学的妥当性を高め, 有効スライスにおけるセグメンテーション品質を損なうことなく幻覚予測を低減し, 臨床放射線治療におけるオートコンストラクションワークフローの信頼性向上に期待できるアプローチが得られた。

関連論文リスト

• 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)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。