論文の概要: Learning to Segment using Summary Statistics and Weak Supervision

• arxiv url: http://arxiv.org/abs/2605.03059v1
• Date: Mon, 04 May 2026 18:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.599533
• Title: Learning to Segment using Summary Statistics and Weak Supervision
• Title（参考訳）: 要約統計と弱スーパービジョンを用いたセグメンテーションの学習
• Authors: Omkar Kulkarni, Edward Raff, Tim Oates,
• Abstract要約: 医療専門家は、診断統計を取得し、その結果のアノテーションを捨てるために、しばしば手動で画像の分割を行う。 我々は,この負担を軽減するためにセグメンテーションモデルを訓練することを目的としている。 我々は、画像再構成の品質、要約統計とのマッチング、予測された前景と弱い監督信号の重なり合いを組み合わせた新しい損失関数を用いる。
• 参考スコア（独自算出の注目度）: 35.98876227283664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical experts often manually segment images to obtain diagnostic statistics and discard the resulting annotations. We aim to train segmentation models to alleviate this burden, but constrained to the retained summary statistics (e.g., the area of the annotated region). Empirical results suggest that statistics alone are insufficient for this task, but adding weak information in the form of a few pixels within the area of interest significantly improves performance. We use a novel loss function that combines terms for image reconstruction quality, matching to summary statistics, and overlap between the predicted foreground and the weak supervisory signal. Experiments on standard image, ultrasound (breast cancer), and Computed Tomography (CT) scan (kidney tumors) data demonstrate the utility and potential of the approach.
• Abstract（参考訳）: 医療専門家は、診断統計を取得し、その結果のアノテーションを捨てるために、しばしば手動でイメージを分割する。 この負担を軽減するためにセグメンテーションモデルをトレーニングすることを目的としているが、保持されている要約統計(例えば、注釈付き領域の面積)に制約を課している。 実験結果から,この課題には統計だけでは不十分であることが示唆されるが,関心領域内の数ピクセルの形で弱い情報を追加することで,性能が著しく向上する。 我々は、画像再構成の品質、要約統計とのマッチング、予測された前景と弱い監督信号の重なり合いを組み合わせた新しい損失関数を用いる。 標準的な画像、超音波(乳癌)、CTスキャン(腎腫瘍)データを用いた実験は、このアプローチの有用性と可能性を実証している。

関連論文リスト

• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Annotation by Clicks: A Point-Supervised Contrastive Variance Method for Medical Semantic Segmentation [38.61378161105941]
  医用画像セグメンテーションのための新しい点教師付きコントラスト分散法(PSCV)を提案する。 PSCVはアノテートするために各臓器カテゴリから1ピクセルしか必要としない。 提案手法は, 医用画像セマンティックセグメンテーションタスクにおいて, 最先端の弱教師付き手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-17T01:07:21Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• PoissonSeg: Semi-Supervised Few-Shot Medical Image Segmentation via Poisson Learning [0.505645669728935]
  Few-shot Semantic(FSS)は、ディープラーニングにおけるデッドロックを壊すための有望な戦略である。 FSSモデルは、オーバーフィッティングを避けるために十分なピクセルレベルのアノテートクラスを必要とする。 医用画像セグメンテーションのための新しい半教師付きFSSフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T10:24:04Z)
• Unsupervised Anomaly Segmentation using Image-Semantic Cycle Translation [31.396372591714695]
  unsupervised anomaly segmentation (UAS) は医療画像コミュニティにおいて有望な分野である。 本稿では,健康データ分布のモデル化過程における健康な解剖学の意味空間について紹介する。 BraTSとISLESデータベースの実験結果は、提案されたアプローチが大幅に優れたパフォーマンスを達成することを示しています。
  論文  参考訳（メタデータ） (2021-03-16T14:15:30Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。