論文の概要: Cut to the Mix: Simple Data Augmentation Outperforms Elaborate Ones in Limited Organ Segmentation Datasets

• arxiv url: http://arxiv.org/abs/2602.03555v1
• Date: Tue, 03 Feb 2026 14:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.494748
• Title: Cut to the Mix: Simple Data Augmentation Outperforms Elaborate Ones in Limited Organ Segmentation Datasets
• Title（参考訳）: Cut to the Mix: 限られた組織セグメンテーションデータセットにおける単純なデータ拡張性能
• Authors: Chang Liu, Fuxin Fan, Annette Schwarz, Andreas Maier,
• Abstract要約: データ拡張(DA)は、限られたデータで訓練されたDLモデルの有効性を高めるための重要な正規化手法である。 本稿では,2つの臓器セグメント化データセット上で,CutMix,CarveMix,ObjectAug,AnatoMixの4つのDA戦略を検討した。 その結果、CutMix、CarveMix、AnatoMixはDA戦略を使わずに最先端のnnUNetと比較して平均ダイススコアを4.9、2.0、および1.9に改善できることがわかった。
• 参考スコア（独自算出の注目度）: 5.588324297348504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-organ segmentation is a widely applied clinical routine and automated organ segmentation tools dramatically improve the pipeline of the radiologists. Recently, deep learning (DL) based segmentation models have shown the capacity to accomplish such a task. However, the training of the segmentation networks requires large amount of data with manual annotations, which is a major concern due to the data scarcity from clinic. Working with limited data is still common for researches on novel imaging modalities. To enhance the effectiveness of DL models trained with limited data, data augmentation (DA) is a crucial regularization technique. Traditional DA (TDA) strategies focus on basic intra-image operations, i.e. generating images with different orientations and intensity distributions. In contrast, the interimage and object-level DA operations are able to create new images from separate individuals. However, such DA strategies are not well explored on the task of multi-organ segmentation. In this paper, we investigated four possible inter-image DA strategies: CutMix, CarveMix, ObjectAug and AnatoMix, on two organ segmentation datasets. The result shows that CutMix, CarveMix and AnatoMix can improve the average dice score by 4.9, 2.0 and 1.9, compared with the state-of-the-art nnUNet without DA strategies. These results can be further improved by adding TDA strategies. It is revealed in our experiments that Cut-Mix is a robust but simple DA strategy to drive up the segmentation performance for multi-organ segmentation, even when CutMix produces intuitively 'wrong' images. Our implementation is publicly available for future benchmarks.
• Abstract（参考訳）: 多臓器セグメンテーションは広く応用される臨床ルーチンであり、自動臓器セグメンテーションツールは放射線科医のパイプラインを劇的に改善する。 近年,ディープラーニング(DL)に基づくセグメンテーションモデルでは,そのような課題を達成する能力を示している。 しかし, セグメンテーションネットワークのトレーニングには手動アノテーションによる大量のデータが必要であり, 診療所からのデータ不足が大きな懸念点となっている。 限られたデータを扱うことは、新しい画像モダリティの研究において依然として一般的である。 限られたデータで訓練されたDLモデルの有効性を高めるため、データ拡張(DA)は重要な正規化手法である。 従来の DA (TDA) 戦略は、基本的な画像内操作、すなわち、異なる方向と強度の分布を持つ画像を生成することに焦点を当てている。 対照的に、中間とオブジェクトレベルのDA操作は、個別の個人から新しいイメージを作成することができる。 しかし、このようなDA戦略は、マルチ組織セグメンテーションの課題についてはあまり研究されていない。 本稿では,CutMix,CarveMix,ObjectAug,AnatoMixの4つの画像間DA戦略を臓器分割データセット上で検討した。 その結果、CutMix、CarveMix、AnatoMixはDA戦略を使わずに最先端のnnUNetと比較して平均ダイススコアを4.9、2.0、および1.9に改善できることがわかった。 これらの結果は、TDA戦略を追加することでさらに改善できる。 実験の結果,Cut-Mixは,直感的に「強い」画像を生成する場合でも,多臓器分割のためのセグメンテーション性能を向上する,頑健だが単純なDA戦略であることがわかった。 私たちの実装は将来のベンチマークで公開されています。

関連論文リスト

• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
  本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
  論文  参考訳（メタデータ） (2024-03-05T21:07:50Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Learning self-calibrated optic disc and cup segmentation from multi-rater annotations [7.104669952770345]
  マルチレータアノテーションからOD/OCセグメンテーションを学習する新しいニューラルネットワークフレームワークを提案する。 提案手法は,両タスクの相互改善を実現し,最終的に改良されたセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2022-06-10T13:35:07Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。