論文の概要: UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.28095v1
• Date: Thu, 30 Apr 2026 16:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.203199
• Title: UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation
• Title（参考訳）: UHR-Net:医療画像セグメンテーションのための不確かさを意識したハイパーグラフリファインメントネットワーク
• Authors: Shuokun Cheng, Jinghao Shi, Kun Sun,
• Abstract要約: 不確実性を考慮したハイパーグラフリファインメントネットワーク(UHR-Net)を提案する。 本研究では,不確実性指向型インスタンス・コントラスト(UO-IC)事前学習戦略を導入する。 第二に、不確実性誘導ハイパーグラフ精細化(UGHR)ブロックを設計し、エントロピーに基づく不確実性マップを粗い確率マップから導出し、ハイパーグラフ精細化を導出する。
• 参考スコア（独自算出の注目度）: 8.273126013629057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lesion segmentation is crucial for clinical diagnosis and treatment planning. However, lesions often resemble surrounding tissues and exhibit ill-defined boundaries, leading to unstable predictions in boundary/transition regions. Moreover, small-lesion cues can be diluted by multi-scale feature extraction, causing under- or over-segmentation. To address these challenges, we propose an Uncertainty-Aware Hypergraph Refinement Network (UHR-Net). First, we introduce an Uncertainty-Oriented Instance Contrastive (UO-IC) pretraining strategy that couples geometry-aware copy-paste augmentation with hard-negative mining of lesion-like background regions to improve instance-level discrimination for small and visually ambiguous lesions. Second, we design an Uncertainty-Guided Hypergraph Refinement (UGHR) block, which derives an entropy-based uncertainty map from a coarse probability map to guide hypergraph refinement. By splitting hyperedge prototypes into foreground and background groups, UGHR decouples higher-order interactions and improves refinement in ambiguous regions. Experiments on five public benchmarks demonstrate consistent gains over strong baselines. Code is available at: https://github.com/CUGfreshman/UHR-Net.
• Abstract（参考訳）: 正確な病変の分節は臨床診断と治療計画に不可欠である。 しかし、病変は周囲の組織によく似ており、未定義の境界が示され、境界/転移領域の不安定な予測に繋がる。 さらに,マルチスケールの特徴抽出によって小要素のキューを希釈し,下位あるいは過剰なセグメンテーションを引き起こす。 これらの課題に対処するために,不確かさを意識したハイパーグラフリファインメントネットワーク(UHR-Net)を提案する。 まず,不確実性指向型インスタンス・コントラスト(UO-IC)事前学習戦略を導入し,小・視覚的にあいまいな病変のインスタンスレベルの識別を改善するために,形状認識型コピーペースト増量と病変類似の背景領域の強陰性マイニングを併用する。 第二に、不確実性誘導ハイパーグラフ精細化(UGHR)ブロックを設計し、エントロピーに基づく不確実性マップを粗い確率マップから導出し、ハイパーグラフ精細化を導出する。 ハイパーエッジプロトタイプを前景と背景グループに分割することで、UGHRは高次相互作用を分離し、あいまいな領域の洗練を改善する。 5つの公開ベンチマークの実験は、強いベースラインよりも一貫した利得を示している。 コードは、https://github.com/CUGfreshman/UHR-Net.comで入手できる。

関連論文リスト

• MambaEviScrib: Mamba and Evidence-Guided Consistency Enhance CNN Robustness for Scribble-Based Weakly Supervised Ultrasound Image Segmentation [15.766686386490234]
  スパースアノテーションに基づく弱教師付き学習(WSL)は、性能向上を実現している。 本研究は,超音波画像分割作業におけるスクリブルベースWSLの導入を試みる。 本稿では,意思決定境界付近の予測を効果的に活用することを提案する。
  論文  参考訳（メタデータ） (2024-09-28T14:50:45Z)
• USL-Net: Uncertainty Self-Learning Network for Unsupervised Skin Lesion Segmentation [7.323593316293092]
  皮膚病変のセグメンテーションのために設計された革新的不確実性自己学習ネットワーク(USL-Net)を導入する。 USL-Netは、手動ラベリングガイダンスの必要をなくし、様々な病変を効果的に分割することができる。 我々は、フォアグラウンドの擬似ラベルを洗練し、ノイズによる誤りを低減するために、接続検出と集中検出を用いる。
  論文  参考訳（メタデータ） (2023-09-23T07:08:57Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。