論文の概要: Ordinal Semantic Segmentation Applied to Medical and Odontological Images

• arxiv url: http://arxiv.org/abs/2603.26736v1
• Date: Sat, 21 Mar 2026 16:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.552094
• Title: Ordinal Semantic Segmentation Applied to Medical and Odontological Images
• Title（参考訳）: 歯科・歯科領域画像に応用した経時的セマンティック・セマンティック・セマンティック・セメンテーション
• Authors: Mariana Dória Prata Lima, Gilson Antonio Giraldi, Jaime S. Cardoso,
• Abstract要約: ディープニューラルネットワークに順序関係を組み込んだ損失関数について検討した。 これらの損失関数は、ユニモーダル、準ユニモーダル、空間に分類される。 これらのアプローチは、医用画像、堅牢性の改善、一般化、解剖学的整合性において有望な結果を示している。
• 参考スコア（独自算出の注目度）: 3.1649006825548334
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semantic segmentation consists of assigning a semantic label to each pixel according to predefined classes. This process facilitates the understanding of object appearance and spatial relationships, playing an important role in the global interpretation of image content. Although modern deep learning approaches achieve high accuracy, they often ignore ordinal relationships among classes, which may encode important domain knowledge for scene interpretation. In this work, loss functions that incorporate ordinal relationships into deep neural networks are investigated to promote greater semantic consistency in semantic segmentation tasks. These loss functions are categorized as unimodal, quasi-unimodal, and spatial. Unimodal losses constrain the predicted probability distribution according to the class ordering, while quasi-unimodal losses relax this constraint by allowing small variations while preserving ordinal coherence. Spatial losses penalize semantic inconsistencies between neighboring pixels, encouraging smoother transitions in the image space. In particular, this study adapts loss functions originally proposed for ordinal classification to ordinal semantic segmentation. Among them, the Expanded Mean Squared Error (EXP_MSE), the Quasi-Unimodal Loss (QUL), and the spatial Contact Surface Loss using Signal Distance Function (CSSDF) are investigated. These approaches have shown promising results in medical imaging, improving robustness, generalization, and anatomical consistency.
• Abstract（参考訳）: セマンティックセグメンテーションは、事前に定義されたクラスに従って各ピクセルにセマンティックラベルを割り当てることで構成される。 このプロセスは、オブジェクトの外観と空間的関係の理解を促進し、画像内容のグローバルな解釈において重要な役割を果たす。 現代のディープラーニングアプローチは高い精度を達成するが、しばしばクラス間の順序関係を無視し、シーン解釈において重要なドメイン知識を符号化する。 本研究では,ディープニューラルネットワークに順序関係を組み込んだ損失関数を調査し,意味的セグメンテーションタスクにおける意味的一貫性を高める。 これらの損失関数は、ユニモーダル、準ユニモーダル、空間に分類される。 一様損失はクラス順序に従って予測された確率分布を制約する一方、準一様損失は順序的コヒーレンスを保ちながら小さな変動を許容することによってこの制約を緩和する。 空間的損失は隣接する画素間のセマンティック不整合を罰し、画像空間のスムーズな遷移を促進する。 特に、この研究は、本来は順序の分類のために提案された損失関数を順序のセグメンテーションに適応させる。 このうち,EXP_MSE,QUL,CSSDFを用いた空間接触面損失について検討した。 これらのアプローチは、医用画像、堅牢性の改善、一般化、解剖学的整合性において有望な結果を示している。

関連論文リスト

• Learning Ordinality in Semantic Segmentation [3.017721041662511]
  本稿では,空間順序分節の新しい手法を提案する。 隣接する画素間の順序整合を強制するための2つの正規化項と新しいメートル法を提案する。 提案手法は,Dice係数の相対的増加を最大15.7%に抑えて,順序数測定の改善と一般化の促進を実現する。
  論文  参考訳（メタデータ） (2024-07-30T16:36:15Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
  我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。 低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。 大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
  論文  参考訳（メタデータ） (2024-01-22T07:34:06Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Contextualized Semantic Distance between Highly Overlapped Texts [85.1541170468617]
  テキスト編集や意味的類似性評価といった自然言語処理タスクにおいて、ペア化されたテキストに重複が頻繁に発生する。 本稿では,マスク・アンド・予測戦略を用いてこの問題に対処することを目的とする。 本稿では,最も長い単語列の単語を隣接する単語とみなし,その位置の分布を予測するためにマスク付き言語モデリング(MLM)を用いる。 セマンティックテキスト類似性の実験では、NDDは様々な意味的差異、特に高い重なり合うペアテキストに対してより敏感であることが示されている。
  論文  参考訳（メタデータ） (2021-10-04T03:59:15Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI [7.993897173085253]
  可能なラベルとラベルペアをすべて考慮し,より豊かなセグメンテーショントポロジの記述を構築する。 これらのトポロジカル事前は、ACDC短軸CMRトレーニングデータセットから150個のサンプルのサブセットで全てのトポロジカルエラーを解決することができる。
  論文  参考訳（メタデータ） (2020-08-21T17:09:13Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Structured Consistency Loss for semi-supervised semantic segmentation [1.4146420810689415]
  整合性喪失は、半教師付き学習の最近の研究において、問題解決において重要な役割を担っている。 本稿では,既存の研究の限界に対処する構造的整合損失を提案する。 我々は,セマンティックセグメンテーションにおける最先端の半教師あり学習の優位性を初めて提示する。
  論文  参考訳（メタデータ） (2020-01-14T07:08:45Z)

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。