論文の概要: Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI

• arxiv url: http://arxiv.org/abs/2604.08015v1
• Date: Thu, 09 Apr 2026 09:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.834803
• Title: Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI
• Title（参考訳）: 脳MRIにおける小構造分割の改善のための成分適応・病変レベルスーパービジョン
• Authors: Minh Sao Khue Luu, Evgeniy N. Pavlovskiy, Bair N. Tuchinov,
• Abstract要約: 我々は,CATMILと呼ばれる統一目的関数を提案し,異なるレベルで動作する2つの補助的監督用語を用いて,ベースセグメンテーション損失を増大させる。 提案した目的を,一貫したnnU-Netフレームワークと5倍のクロスバリデーションを用いてMSLesSegデータセット上で評価する。 その結果, CATMILはセグメンテーション精度, 病変検出, エラー制御において最もバランスのとれた性能を達成できた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a unified objective function, termed CATMIL, that augments the base segmentation loss with two auxiliary supervision terms operating at different levels. The first term, Component-Adaptive Tversky, reweights voxel contributions based on connected components to balance the influence of lesions of different sizes. The second term, based on Multiple Instance Learning, introduces lesion-level supervision by encouraging the detection of each lesion instance. These terms are combined with the standard nnU-Net loss to jointly optimize voxel-level segmentation accuracy and lesion-level detection. We evaluate the proposed objective on the MSLesSeg dataset using a consistent nnU-Net framework and 5-fold cross-validation. The results show that CATMIL achieves the most balanced performance across segmentation accuracy, lesion detection, and error control. It improves Dice score (0.7834) and reduces boundary error compared to standard losses. More importantly, it substantially increases small lesion recall and reduces false negatives, while maintaining the lowest false positive volume among compared methods. These findings demonstrate that integrating component-level and lesion-level supervision within a unified objective provides an effective and practical approach for improving small lesion segmentation in highly imbalanced settings. All code and pretrained models are available at \href{https://github.com/luumsk/SmallLesionMRI}{this url}.
• Abstract（参考訳）: 我々は,CATMILと呼ばれる統一目的関数を提案し,異なるレベルで動作する2つの補助的監督用語を用いて,ベースセグメンテーション損失を増大させる。 最初の用語であるComponent-Adaptive Tverskyは、異なるサイズの病変の影響のバランスをとるために、接続されたコンポーネントに基づいたボクセルコントリビューションを再重み付けする。 第2の用語は、Multiple Instance Learningに基づいて、各障害インスタンスの検出を奨励することで、病変レベルの監視を導入する。 これらの用語は、標準のnnU-Net損失と組み合わせて、ボクセルレベルのセグメンテーション精度と病変レベルの検出を共同で最適化する。 提案した目的を,一貫したnnU-Netフレームワークと5倍のクロスバリデーションを用いてMSLesSegデータセット上で評価する。 その結果, CATMILは, セグメンテーション精度, 病変検出, エラー制御において, 最もバランスのとれた性能を実現することがわかった。 Diceスコア(0.7834)を改善し、標準損失よりも境界誤差を低減する。 さらに重要なことは、小さな病変のリコールを著しく増加させ、偽陰性を減らすと同時に、比較手法の中で最も低い偽陽性量を維持することである。 これらの結果から,コンポーネントレベルと病変レベルの管理を統一目的に組み込むことで,小病変のセグメンテーションを高度に不均衡な環境で改善するための効果的かつ実用的なアプローチが得られた。 すべてのコードと事前訓練されたモデルは、 \href{https://github.com/luumsk/SmallLesionMRI}{this url}で利用可能である。

関連論文リスト

• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Average Calibration Losses for Reliable Uncertainty in Medical Image Segmentation [14.869379716339212]
  医用画像セグメンテーションのためのディープニューラルネットワークは、しばしば過信され、信頼性と臨床的有用性の両方を損なう。 画像毎に計算可能な補助的損失として,L1平均誤差(mL1-ACE)の微分可能な定式化を提案する。 ソフトボンドの変種は、Diceとクロスエントロピー損失ベースラインよりもキャリブレーションの最大の改善をもたらすが、しばしばセグメンテーション性能を損なう。
  論文  参考訳（メタデータ） (2025-06-04T13:32:07Z)
• 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)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Label-Imbalanced and Group-Sensitive Classification under Overparameterization [32.923780772605596]
  ラベルの不均衡でグループに敏感な分類は、関連するメトリクスを最適化するための標準トレーニングアルゴリズムを適切に修正することを目指す。 標準実証的リスク最小化に対するロジット調整による損失修正は,一般的には効果がない可能性がある。 本研究では, 2つの共通する不均衡(ラベル/グループ)を統一的に処理し, 敏感群の二値分類に自然に適用できることを示した。
  論文  参考訳（メタデータ） (2021-03-02T08:09:43Z)
• Using contrastive learning to improve the performance of steganalysis schemes [18.80275095172112]
  本稿では,steg analysis contrastive framework (scf) を提案する。 SCFは、異なるカテゴリの特徴間の距離を最大化することにより、ステガナリシスの特徴表現を改善する。 類似性の等価性と推移性に基づいて、新しいStegCL(Steganalysis Contrastive Loss)を設計する。
  論文  参考訳（メタデータ） (2021-03-01T10:32:02Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。