論文の概要: A dataset of medication images with instance segmentation masks for preventing adverse drug events

• arxiv url: http://arxiv.org/abs/2603.10825v1
• Date: Wed, 11 Mar 2026 14:31:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.998477
• Title: A dataset of medication images with instance segmentation masks for preventing adverse drug events
• Title（参考訳）: 薬物乱用防止のための症例分割マスクを用いた医薬画像のデータセット
• Authors: W. I. Chu, S. Hirani, G. Tarroni, L. Li,
• Abstract要約: MEDISEGは8262の画像に対して32種類の異なるピルに対してインスタンスセグメンテーションアノテーションを提供する。 私たちは、MeDISEG上でYOLOv8とYOLOv9をトレーニングし、平均精度を3-Pillsサブセットで99.5%、32-Pillsサブセットで80.1%、IoU0.5で達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication errors and adverse drug events (ADEs) pose significant risks to patient safety, often arising from difficulties in reliably identifying pharmaceuticals in real-world settings. AI-based pill recognition models offer a promising solution, but the lack of comprehensive datasets hinders their development. Existing pill image datasets rarely capture real-world complexities such as overlapping pills, varied lighting, and occlusions. MEDISEG addresses this gap by providing instance segmentation annotations for 32 distinct pill types across 8262 images, encompassing diverse conditions from individual pill images to cluttered dosette boxes. We trained YOLOv8 and YOLOv9 on MEDISEG to demonstrate their usability, achieving mean average precision at IoU 0.5 of 99.5 percent on the 3-Pills subset and 80.1 percent on the 32-Pills subset. We further evaluate MEDISEG under a few-shot detection protocol, demonstrating that base training on MEDISEG significantly improves recognition of unseen pill classes in occluded multi-pill scenarios compared to existing datasets. These results highlight the dataset's ability not only to support robust supervised training but also to promote transferable representations under limited supervision, making it a valuable resource for developing and benchmarking AI-driven systems for medication safety.
• Abstract（参考訳）: 服薬エラーと有害薬物イベント(ADEs)は患者の安全性に重大なリスクをもたらし、しばしば現実の環境で薬品を確実に特定することの困難から生じる。 AIベースの錠剤認識モデルは、有望なソリューションを提供するが、包括的なデータセットの欠如は、彼らの開発を妨げる。 既存のピル画像データセットは、重なり合うピル、様々な照明、閉塞といった現実世界の複雑さを捉えることは滅多にない。 MEDISEGはこのギャップに対処するため、8262イメージにわたる32の異なるピルタイプのインスタンスセグメンテーションアノテーションを提供し、個々のピルイメージから散在するドーセットボックスまで様々な条件を包含している。 私たちは、MeDISEG上でYOLOv8とYOLOv9をトレーニングし、平均精度を3-Pillsサブセットで99.5%、32-Pillsサブセットで80.1%、IoU0.5で達成した。 さらに,MEDISEGのベーストレーニングにより,既存のデータセットと比較して,隠蔽されたマルチピルシナリオにおける未知のピルクラスの認識が著しく向上することが実証された。 これらの結果は、堅牢な教師付きトレーニングをサポートするだけでなく、限られた監督の下で転送可能な表現を促進するデータセットの能力を強調している。

関連論文リスト

• Evaluating Few-Shot Pill Recognition Under Visual Domain Shift [0.0]
  本研究は、デプロイ指向の観点から、数発の錠剤認識について検討する。 2段階のオブジェクト検出フレームワークが採用され、ベーストレーニングと数発の微調整が行われる。 視覚的にリアルなマルチプルデータに基づいてトレーニングされたモデルは、ローショットシナリオにおいて、常により堅牢性を示す。
  論文  参考訳（メタデータ） (2026-03-11T14:40:55Z)
• Robust Plant Disease Diagnosis with Few Target-Domain Samples [1.4401311275746886]
  優先サンプリングを用いた学習フレームワークTarget-Aware Metric Learningを提案する。 TMPSは、ターゲット(デプロイ)ドメインから限られた数のラベル付きサンプルにアクセスすると仮定して動作する。 TMPSは、同じソースとターゲットのサンプルを併用してトレーニングされたモデルを上回る。
  論文  参考訳（メタデータ） (2025-10-14T18:32:57Z)
• Few-shot Metric Domain Adaptation: Practical Learning Strategies for an Automated Plant Disease Diagnosis [2.7992435001846827]
  FMDA(Few-shot Metric Domain Adaptation)は、実用的なシステムにおける診断精度を高めるための柔軟で効果的なアプローチである。 FMDAは、ソース(トレーニング)データの特徴空間とターゲットデータとの"距離"を最小限に抑える診断モデルに制約を導入することで、ドメインの相違を低減します。 大規模な実験では、FMDAはF1スコアを11.1点から29.3点に改善した。
  論文  参考訳（メタデータ） (2024-12-25T10:01:30Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation [9.296433860766165]
  StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。 また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。 本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:59:32Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• High Accurate and Explainable Multi-Pill Detection Framework with Graph Neural Network-Assisted Multimodal Data Fusion [9.197624827438029]
  我々はまず,実環境におけるマルチピル検出問題に取り組み,薬の摂取量でユーザによって捕獲された錠剤のローカライズと同定を目的としている。 ハードサンプルを扱うために,3種類のパイプ間関係を組み込んだ不均一な先行グラフを構築する手法を提案する。 次に、検出精度を高めるために、プリオリとピルの視覚的特徴を統合するためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-03-17T05:48:26Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)

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。