論文の概要: Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2603.14418v1
• Date: Sun, 15 Mar 2026 15:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.801426
• Title: Deep EM with Hierarchical Latent Label Modelling for Multi-Site Prostate Lesion Segmentation
• Title（参考訳）: 多点前立腺病変セグメンテーションのための階層型遅延ラベルモデリングを用いた深部EM
• Authors: Wen Yan, Yipei Wang, Shiqi Huang, Natasha Thorley, Mark Emberton, Vasilis Stavrinides, Yipeng Hu, Dean Barratt,
• Abstract要約: 本稿では,隠れマスク上でのボクセル方向の後方分布の推測と,この後方をソフトターゲットとするCNNの訓練を交互に行う階層的予測最大化(HierEM)フレームワークを提案する。 3つのコホートの実験は、提案された階層的EMフレームワークがクロスサイト一般化を促進することを示した。
• 参考スコア（独自算出の注目度）: 12.493998903996589
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Label variability is a major challenge for prostate lesion segmentation. In multi-site datasets, annotations often reflect centre-specific contouring protocols, causing segmentation networks to overfit to local styles and generalise poorly to unseen sites in inference. We treat each observed annotation as a noisy observation of an underlying latent 'clean' lesion mask, and propose a hierarchical expectation-maximisation (HierEM) framework that alternates between: (1) inferring a voxel-wise posterior distribution over the latent mask, and (2) training a CNN using this posterior as a soft target and estimate site-specific sensitivity and specificity under a hierarchical prior. This hierarchical prior decomposes label-quality into a global mean with site- and case-level deviations, reducing site-specific bias by penalising the likelihood term contributed only by site deviations. Experiments on three cohorts demonstrate that the proposed hierarchical EM framework enhances cross-site generalisation compared to state-of-the-art methods. For pooled-dataset evaluation, the per-site mean DSC ranges from 29.50% to 39.69%; for leave-one-site-out generalisation, it ranges from 27.91% to 32.67%, yielding statistically significant improvements over comparison methods (p<0.039). The method also produces interpretable per-site latent label-quality estimates (sensitivity alpha ranges from 31.5% to 47.3% at specificity beta approximates 0.99), supporting post-hoc analyses of cross-site annotation variability. These results indicate that explicitly modelling site-dependent annotation can improve cross-site generalisation.
• Abstract（参考訳）: 前立腺病変の分節におけるラベルの変動は大きな課題である。 マルチサイトデータセットでは、アノテーションはセンター固有のコンチューリングプロトコルを反映することが多く、セグメンテーションネットワークはローカルなスタイルに過度に適合し、推論の見当たらないサイトを一般化する。 それぞれのアノテーションを,下層の潜伏性「クリーン」病変マスクの雑音的な観察として扱うとともに,(1)潜伏性マスク上のボクセル右後部分布を推定し,(2)この後部をソフトターゲットとしてCNNを訓練し,階層的先行下で部位特異的感度と特異性を推定する階層的期待最大化(HierEM)フレームワークを提案する。 この階層的な事前は、ラベル品質をサイトレベルの偏差とケースレベルの偏差で世界平均に分解し、サイト偏差によってのみ寄与する可能性の項を解析することによって、サイト固有の偏差を減少させる。 3つのコホートの実験により、提案された階層的EMフレームワークは、最先端の手法と比較して、クロスサイト一般化を促進することが示された。 プールデータセットの評価では、サイトごとの平均DSCは29.50%から39.69%の範囲で、残余1サイトアウトの一般化では27.91%から32.67%の範囲で、比較法よりも統計的に有意に改善されている(p<0.039)。 この方法はまた、解釈可能なサイトごとの潜伏ラベルの品質評価(特異性ベータ近似で31.5%から47.3%の感度アルファ範囲)も生成し、クロスサイトアノテーションの多様性のポストホック分析をサポートする。 これらの結果から, サイト依存アノテーションを明示的にモデル化することで, サイト間の一般化が向上する可能性が示唆された。

関連論文リスト

• Systematic Evaluation of Attribution Methods: Eliminating Threshold Bias and Revealing Method-Dependent Performance Patterns [0.0]
  現在のプロトコルでは、属性マップを単一のしきい値でバイナライズしており、しきい値の選択だけでランキングを200ポイント以上変更することができる。 AUC-IoU (Area Under the Curve for Intersection over Union) を演算するしきい値のないフレームワークでこの問題に対処する。 XRAIは、LIMEよりも31%、バニラ統合グラディエントより204%改善し、サイズ階層化分析により、病変スケールで最大269%のパフォーマンス変化を示した。
  論文  参考訳（メタデータ） (2025-09-03T09:50:31Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling [19.269806092729468]
  気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。 従来の手法は一貫性のない予測を生成する傾向にある。 本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:04:30Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。