論文の概要: TP-Seg: Task-Prototype Framework for Unified Medical Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2604.00684v1
• Date: Wed, 01 Apr 2026 09:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.923855
• Title: TP-Seg: Task-Prototype Framework for Unified Medical Lesion Segmentation
• Title（参考訳）: TP-Seg:統合医療病変分類のためのタスクプロトタイプフレームワーク
• Authors: Jiawei Xu, Qiangqiang Zhou, Dandan Zhu, Yong Chen, Yugen Yi, Xiaoqi Zhao,
• Abstract要約: 本稿では,統合型医療病変分類のためのタスクプロトタイプフレームワークであるTP-Segを提案する。 TP-Segは、デュアルパスの専門家構造を通じて効果的に共有され、タスク固有の表現のバランスをとる。 専門的、一般的、統一的なセグメンテーション手法を8つの異なる医学的病変セグメンテーションタスクで一貫して上回っている。
• 参考スコア（独自算出の注目度）: 17.49886552219562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building a unified model with a single set of parameters to efficiently handle diverse types of medical lesion segmentation has become a crucial objective for AI-assisted diagnosis. Existing unified segmentation approaches typically rely on shared encoders across heterogeneous tasks and modalities, which often leads to feature entanglement, gradient interference, and suboptimal lesion discrimination. In this work, we propose TP-Seg, a task-prototype framework for unified medical lesion segmentation. On one hand, the task-conditioned adapter effectively balances shared and task-specific representations through a dual-path expert structure, enabling adaptive feature extraction across diverse medical imaging modalities and lesion types. On the other hand, the prototype-guided task decoder introduces learnable task prototypes as semantic anchors and employs a cross-attention mechanism to achieve fine-grained modeling of task-specific foreground and background semantics. Without bells and whistles, TP-Seg consistently outperforms specialized, general and unified segmentation methods across 8 different medical lesion segmentation tasks covering multiple imaging modalities, demonstrating strong generalization, scalability and clinical applicability.
• Abstract（参考訳）: 多様な種類の医学的病変の分節を効率的に扱うために単一のパラメータセットで統一されたモデルを構築することは、AIによる診断にとって重要な目標となっている。 既存の統一セグメンテーションアプローチは、通常、異種タスクとモダリティをまたいだ共有エンコーダに依存しており、しばしば特徴の絡み合い、勾配干渉、および準最適病変の識別につながる。 本研究は,統合型医療病変分類のためのタスクプロトタイプフレームワークであるTP-Segを提案する。 一方、タスク条件付きアダプタは、デュアルパスの専門家構造を通して、共有表現とタスク固有の表現を効果的にバランスさせ、多様な医用画像モダリティや病変タイプにわたる適応的特徴抽出を可能にする。 一方、プロトタイプ誘導型タスクデコーダでは、学習可能なタスクプロトタイプをセマンティックアンカーとして導入し、タスク固有のフォアグラウンドとバックグラウンドセマンティクスのきめ細かいモデリングを実現するために、クロスアテンション機構を採用している。 ベルとホイッスルがなければ、TP-Segは、複数の画像モダリティをカバーする8つの異なる医学的病変セグメンテーションタスクに対して、特殊で汎用的で統一されたセグメンテーション手法を一貫して上回り、強力な一般化、拡張性、臨床応用性を示す。

関連論文リスト

• SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation [18.723160085156717]
  医用画像セグメンテーションのための効率的かつ適応的なフレームワークであるSegMoTEを提案する。 SegMoTEはSAMの本来のプロンプトインタフェース、効率的な推論、ゼロショットの一般化を保存している。 SegMoTEは、多様な画像モダリティと解剖学的タスクにわたってSOTA性能を達成する。
  論文  参考訳（メタデータ） (2026-02-22T14:48:42Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• MediRound: Multi-Round Entity-Level Reasoning Segmentation in Medical Images [10.168003371332746]
  我々はMEMR-Seg(Multi-Round Entity-Level Medical Reasoning)を紹介する。 MEMR-Segは、エンティティレベルの推論を備えたマルチラウンドクエリを通じてセグメンテーションマスクを生成する必要がある新しいタスクである。 MR-MedSegは、ラウンドごとのエンティティベースの推論を特徴とする、177Kのマルチラウンド医療セグメント対話の大規模データセットである。
  論文  参考訳（メタデータ） (2025-11-15T08:59:21Z)
• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• KA$^2$ER: Knowledge Adaptive Amalgamation of ExpeRts for Medical Images Segmentation [5.807887214293438]
  本稿では,多元的基礎モデルを学習し,複数のエキスパートモデルの協調的な目標に対処することを目的としたアダプティブ・アマルガメーション・ナレッジ・フレームワークを提案する。 特に、まず、各タスクに対してnnUNetベースのエキスパートモデルをトレーニングし、トレーニング済みのSwinUNTERをターゲット基盤モデルとして再利用する。 隠蔽層内の階層的アテンション機構は、すべての専門家の隠蔽層の特徴知識にターゲットモデルの適応的なマージを実現するように設計されている。
  論文  参考訳（メタデータ） (2024-10-28T14:49:17Z)
• Repurposing Foundation Model for Generalizable Medical Time Series Classification [16.21546283978257]
  FORMEDは、バックボーン基盤モデルを再利用して、目に見えないデータセット上で高度に一般化可能なMedTS分類を可能にするフレームワークである。 我々は,5種類のMedTSデータセットを用いて,11のタスク特化モデル (TSM) と4のタスク特化適応 (TSA) 手法のベンチマークを行った。 以上の結果から,F1スコア(ADFTDデータセット上で)を最大35%向上させることができた。
  論文  参考訳（メタデータ） (2024-10-03T23:50:04Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Toward Unpaired Multi-modal Medical Image Segmentation via Learning Structured Semantic Consistency [24.78258331561847]
  本稿では,異なるモダリティの相互利益を学習し,不自由な医療画像に対してより良いセグメンテーション結果を得るための新しい手法を提案する。 我々は、慎重に設計された外部注意モジュール(EAM)を利用して、セマンティッククラス表現とそれらの異なるモダリティの相関を調整します。 提案手法の有効性を2つの医療画像セグメンテーションシナリオで実証した。
  論文  参考訳（メタデータ） (2022-06-21T17:50:29Z)
• HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation [56.86396352441269]
  我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。 前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。 対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
  論文  参考訳（メタデータ） (2020-05-21T02:53:52Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。