論文の概要: Med-DisSeg: Dispersion-Driven Representation Learning for Fine-Grained Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.14579v1
• Date: Thu, 14 May 2026 08:49:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.731838
• Title: Med-DisSeg: Dispersion-Driven Representation Learning for Fine-Grained Medical Image Segmentation
• Title（参考訳）: Med-DisSeg:細粒化医用画像セグメンテーションのための分散駆動表現学習
• Authors: Zhiquan Chen, Haitao Wang, Guowei Zou, Hejun Wu,
• Abstract要約: 分散駆動型医用画像分割フレームワークであるMed DisSegを提案する。 Med DisSegは、軽量のDispersive Lossと、微粒な構造セグメンテーションのための適応的な注意を組み合わせる。 我々は,Med DisSegが多臓器CTのセグメンテーションにおいて,その堅牢性とクロスタスク適用性をサポートして競合的な結果を得ることを示す。
• 参考スコア（独自算出の注目度）: 3.182068203318624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate medical image segmentation is fundamental to precision medicine, yet robust delineation remains challenging under heterogeneous appearances, ambiguous boundaries, and large anatomical variability. Similar intensity and texture patterns between targets and surrounding tissues often lead to blurred activations and unreliable separation. We attribute these failures to representation collapse during encoding and insufficient fine grained multi scale decoding. To address these issues, we propose Med DisSeg, a dispersion driven medical image segmentation framework that jointly improves representation learning and anatomical delineation. Med DisSeg combines a lightweight Dispersive Loss with adaptive attention for fine grained structure segmentation. The Dispersive Loss enlarges inter sample margins by treating in batch hidden representations as negative pairs, producing well dispersed and boundary aware embeddings with negligible overhead. Based on these enhanced representations, the encoder strengthens structure sensitive responses, while the decoder performs adaptive multi scale calibration to preserve complementary local texture and global shape information. Extensive experiments on five datasets spanning three imaging modalities demonstrate consistent state of the art performance. Moreover, Med DisSeg achieves competitive results on multi organ CT segmentation, supporting its robustness and cross task applicability.
• Abstract（参考訳）: 正確な医用画像分割は正確医療の基本であるが、不均一な外観、曖昧な境界、大きな解剖学的変動の下では、堅牢な線引きは依然として困難である。 ターゲットと周囲の組織間の類似の強度とテクスチャパターンは、しばしばぼやけた活性化と信頼できない分離を引き起こす。 これらの故障は、符号化中の崩壊を表現し、微細なマルチスケール復号化が不十分なためである。 これらの課題に対処するため,分散駆動型医用画像分割フレームワークであるMed DisSegを提案する。 Med DisSegは、軽量のDispersive Lossと、微粒な構造セグメンテーションのための適応的な注意を組み合わせる。 Dispersive Lossは、バッチ隠れ表現を負のペアとして扱うことでサンプル間マージンを拡大し、よく分散され、境界を意識した埋め込みを無視可能なオーバーヘッドで生成する。 これらの拡張表現に基づいて、エンコーダは構造に敏感な応答を強化し、デコーダは相補的な局所的なテクスチャと大域的な形状情報を保持するために適応的なマルチスケールキャリブレーションを行う。 3つの画像モダリティにまたがる5つのデータセットの大規模な実験は、一貫した最先端性能を示している。 さらに、Med DisSegは、マルチオルガンCTセグメンテーションにおける競合的な結果を達成し、その堅牢性とクロスタスク適用性をサポートする。

関連論文リスト

• TAMISeg: Text-Aligned Multi-scale Medical Image Segmentation with Semantic Encoder Distillation [16.600598318231288]
  臨床言語プロンプトとセマンティック蒸留を補助的なセマンティックキューとして組み込んだテキスト誘導セグメンテーションフレームワークを提案する。 TAMISegは、堅牢な特徴抽出のために強い摂動で事前訓練された一貫性を意識したエンコーダを統合する。 Kvasir-SEG、MosMedData+、QaTa-COV19データセットの実験により、TAMISegは定性評価と定量的評価の両方において既存のユニモーダル法とマルチモーダル法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-04-13T02:31:22Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• 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)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• 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)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。