論文の概要: Camyla: Scaling Autonomous Research in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.10696v1
• Date: Sun, 12 Apr 2026 15:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.178457
• Title: Camyla: Scaling Autonomous Research in Medical Image Segmentation
• Title（参考訳）: Camyla: 医療画像セグメンテーションにおける自律的な研究のスケールアップ
• Authors: Yifan Gao, Haoyue Li, Feng Yuan, Xin Gao, Weiran Huang, Xiaosong Wang,
• Abstract要約: カミーラ(Camyla)は、医学画像セグメンテーションの科学領域における完全に自律的な研究システムである。 生のデータセットを文学的な研究提案、実行可能な実験、人間の介入なしに完全な原稿に変換する。
• 参考スコア（独自算出の注目度）: 17.06413651643779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Camyla, a system for fully autonomous research within the scientific domain of medical image segmentation. Camyla transforms raw datasets into literature-grounded research proposals, executable experiments, and complete manuscripts without human intervention. Autonomous experimentation over long horizons poses three interrelated challenges: search effort drifts toward unpromising directions, knowledge from earlier trials degrades as context accumulates, and recovery from failures collapses into repetitive incremental fixes. To address these challenges, the system combines three coupled mechanisms: Quality-Weighted Branch Exploration for allocating effort across competing proposals, Layered Reflective Memory for retaining and compressing cross-trial knowledge at multiple granularities, and Divergent Diagnostic Feedback for diversifying recovery after underperforming trials. The system is evaluated on CamylaBench, a contamination-free benchmark of 31 datasets constructed exclusively from 2025 publications, under a strict zero-intervention protocol across two independent runs within a total of 28 days on an 8-GPU cluster. Across the two runs, Camyla generates more than 2,700 novel model implementations and 40 complete manuscripts, and surpasses the strongest per-dataset baseline selected from 14 established architectures, including nnU-Net, on 22 and 18 of 31 datasets under identical training budgets, respectively (union: 24/31). Senior human reviewers score the generated manuscripts at the T1/T2 boundary of contemporary medical imaging journals. Relative to automated baselines, Camyla outperforms AutoML and NAS systems on aggregate segmentation performance and exceeds six open-ended research agents on both task completion and baseline-surpassing frequency. These results suggest that domain-scale autonomous research is achievable in medical image segmentation.
• Abstract（参考訳）: 医療画像セグメンテーションの科学領域における完全自律的な研究システムであるCamylaについて紹介する。 Camylaは、生のデータセットを文学的な研究提案、実行可能な実験、人間の介入なしに完全な原稿に変換する。 長い地平線上での自律的な実験は、3つの相互関係の課題を生じさせる: 探索努力は予測できない方向に向かって漂流し、事前の試行からの知識は、コンテキストが蓄積するにつれて低下し、失敗からの回復は繰り返しの漸進的な修正へと崩壊する。 これらの課題に対処するために、システムは、競合する提案にまたがる努力を割り当てるための品質重み付き分岐探索、複数の粒度での裁判間の知識の保持と圧縮のための階層的反射記憶、未解決の試験後の回復を多様化するためのダイバージェント診断フィードバックの3つの複合メカニズムを組み合わせた。 システムは、2025の出版物から独占的に構築された31のデータセットの汚染のないベンチマークであるCamylaBenchで評価され、8GPUクラスタで合計28日以内に2つの独立した実行を横断する厳格なゼロ・インターベンションプロトコルで評価される。 これら2つの実行の中で、Camylaは2700以上の新しいモデル実装と40の完全な原稿を生成し、それぞれ同じトレーニング予算の下で31のデータセットのうち22と18のうち、nnU-Netを含む14の確立したアーキテクチャから選択された最強のデータセット毎のベースラインを上回っている(24/31)。 現代の医用画像誌のT1/T2境界で、ヒトのレビュアーが生成された原稿を採点する。 自動ベースラインとは対照的に、Camylaは集約セグメンテーション性能でAutoMLとNASシステムより優れており、タスク完了とベースライン通過頻度の両方で6つのオープンエンドリサーチエージェントを上回っている。 これらの結果から,医用画像のセグメンテーションにおいて,ドメインスケールの自律的研究が達成可能であることが示唆された。

関連論文リスト

• Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos [58.71502465551297]
  MICCAI 2024と共同でIUGC(Intrapartum Ultrasound Grand Challenge)が打ち上げられた。 IUGCは、標準的な平面分類、胎児の頭頂部生理的セグメンテーション、バイオメトリーを統合した、臨床指向のマルチタスク自動測定フレームワークを導入している。 この課題は、これまでに3つの病院から収集された774のビデオ(68,106フレーム)を含む、最大規模のマルチセンターの超音波ビデオデータセットをリリースしている。
  論文  参考訳（メタデータ） (2026-02-13T13:28:22Z)
• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
  ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。 これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。 この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
  論文  参考訳（メタデータ） (2025-07-25T11:12:21Z)
• TUS-REC2024: A Challenge to Reconstruct 3D Freehand Ultrasound Without External Tracker [25.14284964227897]
  TUS-REC2024 Challengeは、トラッカーレス3D超音波再構成の進歩をベンチマークし、加速するために設立された。 43以上の登録チームが参加し、6チームが21の有効なドーカライズソリューションを提出した。 結果は、この領域における最先端のアプローチの進歩と現在の限界の両方を強調します。
  論文  参考訳（メタデータ） (2025-06-26T20:52:18Z)
• crossMoDA Challenge: Evolution of Cross-Modality Domain Adaptation Techniques for Vestibular Schwannoma and Cochlea Segmentation from 2021 to 2023 [20.87321022049113]
  クロスモダリティドメイン適応 (cross-Modality Domain Adaptation,crossMoDA) シリーズの2022年版と2023年版について報告する。 2023年版での勝利は、2021年版と2022年の試験データにおけるアウトレーヤの数を減らした。 臨床的に許容されるVSセグメンテーションにはまだ進歩が必要だが、高評価は、より困難なクロスモーダルタスクが将来のベンチマークに役立つことを示唆している。
  論文  参考訳（メタデータ） (2025-06-13T17:56:39Z)
• The state-of-the-art 3D anisotropic intracranial hemorrhage segmentation on non-contrast head CT: The INSTANCE challenge [19.72232714668029]
  INSTANCE 2022は、2022年の医用画像コンピューティングとコンピュータ支援介入に関する国際会議(MICCAI)と共同で開催された大きな課題である。 以上の課題を解決し,脳内出血セグメンテーションと異方性データ処理の開発を促進することを目的としている。 勝者法は平均DSC0.6925を達成し,提案法よりも有意な成長を示した。
  論文  参考訳（メタデータ） (2023-01-09T11:48:05Z)
• FetReg2021: A Challenge on Placental Vessel Segmentation and Registration in Fetoscopy [52.3219875147181]
  2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。 このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。 コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。 7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
  論文  参考訳（メタデータ） (2022-06-24T23:44:42Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• 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)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。