論文の概要: Implicit Fuzzification via Bounded Noise Injection for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.04427v1
• Date: Wed, 03 Jun 2026 04:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.532348
• Title: Implicit Fuzzification via Bounded Noise Injection for Robust Medical Image Segmentation
• Title（参考訳）: ロバストな医用画像分割のためのバウンドノイズ注入によるインシシットファジフィケーション
• Authors: Bisheng Tang, Zhangfeng Ma, Chuchu Zhai, Feng Dong, Yaoqun Wu, Ammar Oad, Yifei Peng,
• Abstract要約: NoiseUNetは、有界な摂動をスキップ接続に注入し、クロススケールな機能融合を規則化する。 実験により、NossUNetはセグメンテーション精度とバウンダリ忠実度の両方を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 2.9974998694295087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation remains fundamentally limited by boundary ambiguity arising from sampling-induced information loss and inherent uncertainty in pixel-wise labeling. Although encoder-decoder architectures such as U-Net achieve strong performance, they often produce overconfident predictions that fail to capture transition-region ambiguity. To address this issue, we propose \textbf{NoiseUNet}, a simple yet effective framework that injects bounded perturbations into skip connections to regularize cross-scale feature fusion. This mechanism enforces robustness to local feature variations and promotes boundary-aware representations. Theoretically, the perturbation induces an implicit fuzzification effect, yielding soft, data-driven memberships without requiring explicit fuzzy modeling. We further introduce \textbf{ThyR}, a real-world thyroid ultrasound dataset with inherently ambiguous boundaries. Experiments demonstrate that NoiseUNet consistently improves both segmentation accuracy and boundary fidelity.
• Abstract（参考訳）: 画像のセグメンテーションは、サンプリングによる情報損失と画素ワイドラベリングにおける固有の不確実性から生じる境界あいまいさによって、基本的に制限されている。 U-Netのようなエンコーダ・デコーダアーキテクチャは高い性能を達成するが、遷移領域の曖昧さを捉えるのに失敗する自信過剰な予測をしばしば生み出す。 この問題に対処するため,我々は,有界摂動をスキップ接続に注入し,クロススケールな機能融合を規則化する,シンプルで効果的なフレームワークである \textbf{NoiseUNet} を提案する。 このメカニズムは局所的な特徴の変動に頑健さを強制し、境界認識表現を促進する。 理論的には、摂動は暗黙のファジィ効果を誘発し、明示的なファジィモデリングを必要とせず、ソフトなデータ駆動型メンバシップを生み出す。 さらに,非明快な境界を持つ現実の甲状腺超音波データセットである‘textbf{ThyR} についても紹介する。 実験により、NossUNetはセグメンテーション精度とバウンダリ忠実度の両方を一貫して改善することが示された。

関連論文リスト

• Rate-optimal neural boundary detection from unlabeled noisy images [1.8620637029128548]
  統計的観点からラベル付き雑音画像の境界検出について検討した。 頑健なギブスの後部アプローチにより, 境界検出のための連続的なヒンジ型サロゲート損失を提案する。 提案した損失は勾配に基づく最適化に有効であり、複雑なオブジェクト境界を表現するためにディープニューラルネットワークと組み合わせることができる。
  論文  参考訳（メタデータ） (2026-05-30T12:58:09Z)
• UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
  UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。 UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
  論文  参考訳（メタデータ） (2026-05-04T09:18:57Z)
• CroBIM-U: Uncertainty-Driven Referring Remote Sensing Image Segmentation [8.834663340762562]
  リモートセンシング画像セグメンテーションの参照は、複雑なオーバーヘッド画像内に自然言語で記述された特定のターゲットをローカライズすることを目的としている。 既存の手法では、画像全体にわたって均一な融合と精錬戦略を用いるのが一般的である。 本稿では,適応推論のオーケストレーションに先立って,画素単位の参照不確実性マップを空間として明示的に活用する,テキストbfuncertainty-guidedフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-07T01:02:39Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization [60.899082019130766]
  本稿では、フレームレベル検出ネットワーク(FDN)と、音声の時間的偽造検出とローカライゼーションのための改良ネットワーク(PRN)を提案する。 FDNは、偽のフレーム間で情報的不整合の手がかりを抽出し、偽の領域を大まかに示すのに有用な識別的特徴を得る。 PRNは、FDNから派生した粗粒度の提案を洗練するために、信頼スコアと回帰オフセットを予測する責任がある。
  論文  参考訳（メタデータ） (2024-07-23T15:07:52Z)
• Dynamic Position Transformation and Boundary Refinement Network for Left Atrial Segmentation [17.09918110723713]
  左心房細動は不整脈(心房細動)の診断において重要な手法である。 LAセグメンテーションの現在のほとんどの方法は、入力データがオブジェクト指向のセンタートリミングによって取得されると厳密に仮定している。 本稿では,これらの問題に対処するための新しい動的位置変換と境界改善ネットワーク(DPBNet)を提案する。
  論文  参考訳（メタデータ） (2024-07-07T22:09:35Z)
• NoiseDiffusion: Correcting Noise for Image Interpolation with Diffusion Models beyond Spherical Linear Interpolation [86.7260950382448]
  画像の妥当性を補正する新しい手法としてノイズ拡散法を提案する。 NoiseDiffusionはノイズの多い画像空間内で動作し、これらのノイズの多い画像に生画像を注入することで、情報損失の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-13T12:32:25Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation [2.5243042477020836]
  対象境界に対するソフトラベリングを制限するために形態的操作を用いる境界不確実性を提案する。 境界不確かさをDiceの損失と組み合わせることで、3つの有効なバイオメディカルイメージングデータセット間で一貫して性能を向上する。
  論文  参考訳（メタデータ） (2021-10-31T16:19:57Z)

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。