論文の概要: An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.16490v1
• Date: Mon, 13 Apr 2026 12:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.023747
• Title: An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
• Title（参考訳）: ファジィ論理を組み込んだ不確かさ認識損失関数のMRI脳画像分割への応用
• Authors: Hanuman Verma, Akshansh Gupta, Pranabesh Maji, Saurav Mandal, Vijay Kumar Pandey,
• Abstract要約: ファジィ論理を組み込んだ新たな損失関数を導入し,脳画像分割における不確実性問題に対処する。 ファジィ論理に基づいて、よく知られたカテゴリー的クロスエントロピー(CCE)損失関数とファジィエントロピーを統合する。 実験結果から,提案した損失関数を用いた学習モデルにより,CCE最適化関数と比較して,様々な性能指標が得られた。
• 参考スコア（独自算出の注目度）: 3.7378922476395906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate brain image segmentation, particularly for distinguishing various tissues from magnetic resonance imaging (MRI) images, plays a pivotal role in finding the neurological dis ease and medical image computing. In deep learning approaches, loss functions are very crucial for optimizing the model. In this study, we introduce a novel loss function integrating fuzzy logic to deals uncertainty issues in brain image segmentation into various tissues. It integrates the well-known categorical cross-entropy (CCE) loss function and fuzzy entropy based on fuzzy logic. By employing fuzzy logic, this loss function accounts for the inherent uncertainties in pixel classifications. The proposed loss function has been evaluated on two publicly available benchmark datasets, IBSR and OASIS, using two widely recognised architectures, U-Net and U-Net++. Experimental results demonstrate that the trained model with proposed loss function provided better results in comparison to the CCE optimisation function in terms of various performance metrics. Additionally, it effectively enhances segmentation performance while handling meaningful uncer tainty during training. The findings suggest that this approach not only improves segmentation outcomes but also contributes to the reliability of model predictions.
• Abstract（参考訳）: 正確な脳画像分割は、特に磁気共鳴イメージング(MRI)画像と様々な組織を区別するために、神経学的軽快さと医用画像計算の発見において重要な役割を担っている。 ディープラーニングアプローチでは、損失関数はモデルを最適化するのに非常に重要である。 本研究では,脳画像分割における不確実性問題に対処するため,ファジィ論理を組み込んだ新たな損失関数を提案する。 ファジィ論理に基づいて、よく知られたカテゴリー的クロスエントロピー(CCE)損失関数とファジィエントロピーを統合する。 ファジィ論理を用いることで、この損失関数は画素分類に固有の不確かさを説明できる。 提案された損失関数は、広く認識されている2つのアーキテクチャであるU-NetとU-Net++を使用して、2つの公開ベンチマークデータセットであるIBSRとOASISで評価されている。 実験結果から,提案した損失関数を用いた学習モデルにより,CCE最適化関数と比較して,様々な性能指標が得られた。 さらに、トレーニング中に意味のある不確かさを処理しながら、セグメンテーション性能を効果的に向上させる。 その結果,本手法はセグメンテーション結果の改善だけでなく,モデル予測の信頼性向上にも寄与することが示唆された。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation [8.458853419962526]
  IFS U-Net と IFS U-Net++ は画像の不確実性を扱うために提案されている。 これらのモデルは、曖昧さや不正確なデータから生じる不確実性を管理するために、直観的ファジィ表現の入力データを受け入れる。
  論文  参考訳（メタデータ） (2026-03-15T16:45:25Z)
• An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation [3.989852248525325]
  直観的ファジィ論理(IF-UNet)を組み込んだ拡張フレームワークUNetを提案する。 このモデルはメンバーシップ、非メンバーシップ、およびヒューイテーションの度合いでデータを処理し、部分体積効果と不確実性に対処する。 実験の結果、IF-UNetは脳画像の不確実性に対処してセグメンテーション品質を改善することが確認された。
  論文  参考訳（メタデータ） (2026-02-04T05:27:35Z)
• DL101 Neural Network Outputs and Loss Functions [51.77969450792284]
  ニューラルネットワークのトレーニングに使用されるロス関数は、統計的観点から出力層に強く結びついている。 レポートは、線形、シグモノイド、ReLU、ソフトマックスなどのニューラルネットワーク出力層の共通アクティベーション機能を解析する。
  論文  参考訳（メタデータ） (2025-11-07T10:20:45Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Xtreme Margin: A Tunable Loss Function for Binary Classification Problems [0.0]
  本稿では,新しい損失関数 Xtreme Margin の損失関数について概説する。 二進的クロスエントロピーやヒンジ損失関数とは異なり、この損失関数は研究者や実践者がトレーニングプロセスに柔軟性をもたらす。
  論文  参考訳（メタデータ） (2022-10-31T22:39:32Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)

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。