論文の概要: Evidential learning driven Breast Tumor Segmentation with Stage-divided Vision-Language Interaction

• arxiv url: http://arxiv.org/abs/2603.11206v1
• Date: Wed, 11 Mar 2026 18:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.574854
• Title: Evidential learning driven Breast Tumor Segmentation with Stage-divided Vision-Language Interaction
• Title（参考訳）: ステージ分割型視覚・言語相互作用による乳腺腫瘍分節の定量的学習
• Authors: Jingxing Zhong, Qingtao Pan, Xuchang Zhou, Jiazhen Lin, Xinguo Zhuang,
• Abstract要約: 乳がんは世界でも最も多い死因の1つであり、毎年数百万人が死亡している。 従来の深層学習に基づく腫瘍分節法は、腫瘍の輪郭を正確に見つけるのに限界がある。 本研究では,段階的な視覚-言語相互作用と顕在的学習を用いたテキスト誘導乳房腫瘍モデル(TextBCS)を提案する。
• 参考スコア（独自算出の注目度）: 2.195014842786437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer is one of the most common causes of death among women worldwide, with millions of fatalities annually. Magnetic Resonance Imaging (MRI) can provide various sequences for characterizing tumor morphology and internal patterns, and becomes an effective tool for detection and diagnosis of breast tumors. However, previous deep-learning based tumor segmentation methods have limitations in accurately locating tumor contours due to the challenge of low contrast between cancer and normal areas and blurred boundaries. Leveraging text prompt information holds promise in ameliorating tumor segmentation effect by delineating segmentation regions. Inspired by this, we propose text-guided Breast Tumor Segmentation model (TextBCS) with stage-divided vision-language interaction and evidential learning. Specifically, the proposed stage-divided vision-language interaction facilitates information mutual between visual and text features at each stage of down-sampling, further exerting the advantages of text prompts to assist in locating lesion areas in low contrast scenarios. Moreover, the evidential learning is adopted to quantify the segmentation uncertainty of the model for blurred boundary. It utilizes the variational Dirichlet to characterize the distribution of the segmentation probabilities, addressing the segmentation uncertainties of the boundaries. Extensive experiments validate the superiority of our TextBCS over other segmentation networks, showcasing the best breast tumor segmentation performance on publicly available datasets.
• Abstract（参考訳）: 乳がんは世界でも最も多い死因の1つであり、毎年数百万人が死亡している。 磁気共鳴イメージング(MRI)は、腫瘍形態や内部パターンを特徴づける様々な配列を提供し、乳腺腫瘍の検出と診断に有効なツールとなる。 しかし, 従来の深層学習に基づく腫瘍分割法では, 癌と正常領域の低コントラストとぼやけた境界の難しさにより, 腫瘍輪郭の正確な位置決めに限界がある。 テキストプロンプト情報の活用は、セグメンテーション領域を指示することによって腫瘍セグメンテーション効果を改善することを約束する。 そこで本研究では,段階分割型視覚言語インタラクションと顕在学習を用いたテキスト誘導乳腺腫瘍分離モデル(TextBCS)を提案する。 具体的には,低コントラストシナリオにおける病変領域の特定を支援するために,テキストプロンプトの利点として,ダウンサンプリングの各段階における視覚的特徴とテキスト的特徴の相互比較を容易にする。 さらに、曖昧な境界に対するモデルのセグメンテーションの不確かさを定量化するために、明らかな学習を採用する。 変分ディリクレを用いて、セグメンテーション確率の分布を特徴づけ、境界のセグメンテーションの不確実性に対処する。 他のセグメンテーションネットワークよりもTextBCSの方が優れており、公開されているデータセット上で最高の乳がんセグメンテーション性能を示している。

関連論文リスト

• Advancing Generalizable Tumor Segmentation with Anomaly-Aware Open-Vocabulary Attention Maps and Frozen Foundation Diffusion Models [11.774375458215193]
  Generalizable tumorは、さまざまな解剖学的領域にまたがるゼロショット腫瘍セグメンテーションのための単一のモデルを訓練することを目的としている。 DiffuGTSはテキストプロンプトに基づいて、異常対応のオープン語彙アテンションマップを生成する。 4つのデータセットと7つの腫瘍カテゴリの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2025-05-05T16:05:37Z)
• Task-oriented Uncertainty Collaborative Learning for Label-Efficient Brain Tumor Segmentation [6.722672686635773]
  マルチコントラストMRI(Multi-Contrast magnetic resonance imaging)は、脳腫瘍の分節化と診断において重要な役割を担っている。 既存の手法は、異なるコントラストをまたいだマルチレベル特異性知覚の課題に直面している。 マルチコントラストMRIセグメンテーションのためのタスク指向不確実性協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T18:44:53Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images [9.252383213566947]
  超音波画像から乳腺腫瘍を分離する多レベルグローバル認識モジュール(MGPM)と境界誘導モジュール(BGM)で構成されるPBNetを提案する。 MGPMでは、単一レベル特徴写像におけるボクセル間の長距離空間依存性をモデル化し、次いで多レベル意味情報を融合する。 BGMでは,腫瘍の境界線を最大プールの希釈および浸食効果を用いて高レベルセマンティックマップから抽出する。
  論文  参考訳（メタデータ） (2023-10-23T07:21:02Z)
• BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images [2.752682633344525]
  超音波画像における乳腺腫瘍のインタラクティブセグメンテーションのためのセグメンテーションモデル(SAM)について検討した。 ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。 本研究は悪性腫瘍と良性乳癌の分節化におけるモデルの性能の差について検討した。
  論文  参考訳（メタデータ） (2023-05-21T12:40:25Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Sequential Learning on Liver Tumor Boundary Semantics and Prognostic Biomarker Mining [73.23533486979166]
  腫瘍境界に対する毛細血管浸潤は予後指標であるmicrovascular invasion (mvi) と臨床的に相関することが証明されている。 本論文では,タスクを2つのコンポーネントに分離する,第1および新規な計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-09T01:43:05Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。