論文の概要: PCA-Enhanced Probabilistic U-Net for Effective Ambiguous Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.11550v1
• Date: Thu, 12 Mar 2026 05:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.903524
• Title: PCA-Enhanced Probabilistic U-Net for Effective Ambiguous Medical Image Segmentation
• Title（参考訳）: PCAによる著明な医用画像分割のための確率的U-Net
• Abstract要約: 新たなPCA拡張確率型U-Net(textbfPEP U-Net)について紹介する。 提案手法は, 後方ネットワークの次元削減のための主成分分析(PCA)を効果的に組み込んで, 冗長性を軽減し, 計算効率を向上させる。 本手法は,従来の生成モデルと比較して,分割精度と予測変数とのバランスを良好に保ちつつ,多様なセグメンテーション仮説を生成する能力を保っている。
• 参考スコア（独自算出の注目度）: 7.5103552839482175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ambiguous Medical Image Segmentation (AMIS) is significant to address the challenges of inherent uncertainties from image ambiguities, noise, and subjective annotations. Existing conditional variational autoencoder (cVAE)-based methods effectively capture uncertainty but face limitations including redundancy in high-dimensional latent spaces and limited expressiveness of single posterior networks. To overcome these issues, we introduce a novel PCA-Enhanced Probabilistic U-Net (\textbf{PEP U-Net}). Our method effectively incorporates Principal Component Analysis (PCA) for dimensionality reduction in the posterior network to mitigate redundancy and improve computational efficiency. Additionally, we further employ an inverse PCA operation to reconstruct critical information, enhancing the latent space's representational capacity. Compared to conventional generative models, our method preserves the ability to generate diverse segmentation hypotheses while achieving a superior balance between segmentation accuracy and predictive variability, thereby advancing the performance of generative modeling in medical image segmentation.
• Abstract（参考訳）: 曖昧な医用画像セグメンテーション(AMIS)は、画像の曖昧さ、ノイズ、主観的アノテーションから固有の不確実性の課題に対処するために重要である。 既存の条件付き変分オートエンコーダ(cVAE)ベースの手法は、不確実性を効果的に捉えるが、高次元の潜在空間における冗長性や単一の後続ネットワークの表現性に制限がある。 これらの課題を克服するために,新しいPCA拡張確率型U-Net(\textbf{PEP U-Net})を導入する。 提案手法は,後方ネットワークの次元的低減のために主成分分析(PCA)を効果的に取り入れ,冗長性を緩和し,計算効率を向上させる。 さらに,重要な情報を再構成するための逆PCA操作も導入し,潜在空間の表現能力を高めた。 本手法は,従来の生成モデルと比較して,分割精度と予測変数とのバランスが良好でありながら,多様な分割仮説を生成する能力を保ち,医用画像分割における生成モデルの性能を向上させる。

関連論文リスト

• Secure-by-Disguise: A Systematic Evaluation of Image Disguising for Confidential Medical Image Modeling [15.1132488412831]
  クラウドベースのディープラーニングは、大規模な医療画像解析を可能にするが、センシティブな患者イメージがモデル開発のためにアウトソースされた場合、プライバシー上の重大な懸念が生じる。 Image Disguisingは、イメージを視覚的に理解できない表現に変換する、将来性のあるプライバシー向上技術(PET)として登場した。
  論文  参考訳（メタデータ） (2026-07-09T18:43:58Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Diffusion Model in Latent Space for Medical Image Segmentation Task [0.0]
  MedSegLatDiffは、変動オートエンコーダ(VAE)と遅延拡散モデルを組み合わせた拡散ベースのフレームワークで、効率的な医用画像分割を行う。 芸術または非常に競争の激しいDiceとIoUのスコアの状態を達成し、同時に多様なセグメンテーション仮説と信頼マップを生成する。
  論文  参考訳（メタデータ） (2025-12-01T05:26:43Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
  RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。 我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。 さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2025-08-06T08:19:37Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
  我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。 Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-26T08:15:43Z)
• Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
  医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。 我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。 提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
  論文  参考訳（メタデータ） (2022-12-12T23:12:19Z)
• 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。