論文の概要: TopoPult-SSL: Gland-Mask-Free Cross-Device Meibomian Gland Segmentation via Self-Distilled Weak Clinical Priors

• arxiv url: http://arxiv.org/abs/2606.05347v1
• Date: Wed, 03 Jun 2026 18:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.34675
• Title: TopoPult-SSL: Gland-Mask-Free Cross-Device Meibomian Gland Segmentation via Self-Distilled Weak Clinical Priors
• Title（参考訳）: TopoPult-SSL:Gland-Mask-free Cross-Device Meibomian Gland Segmentation by Self-Distilled Weak Clinical Priors
• Authors: Nicolò Savioli, Luca Del Tongo,
• Abstract要約: そこで我々はTopotPul-SSLについて紹介する。 公開MGD-1kからCAMG研究ベンチマーク上で,その手法の開発と評価を行った。 腺マスクのないStage-1変異体はSAM/MedSAMのPrecision94 vs. 0.30-0.34に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Every new clinical imaging device creates a domain shift where dense gland masks are expensive yet cheap clinical signals -- eyelid outlines, Pult grades, morphometric ratios -- are routinely recorded. We present TopoPult-SSL, a two-stage framework for cross-device meibomian gland segmentation. Stage 1 adapts a source-trained model without target gland masks in the training loss, using four weak-prior anchors driven by target eyelid masks and clinical metadata only. Stage 2, when target gland masks are available, distils complementary Stage-1 teachers into a single compact student via supervised self-distillation. We develop and validate the technique on the public MGD-1k to CAMG research benchmark (1,000 to 100 images, different device), where the distilled model achieves Dice 0.716+/-0.006 (best 0.726), surpassing UA-MT (0.710) and the ensemble teacher (0.720) -- with a single pass. The gland-mask-free Stage-1 variant reaches Precision 0.694 vs. 0.30-0.34 for SAM/MedSAM (p<0.001), enabling deployment without dense gland contouring. Code and reproducibility scripts are released.
• Abstract（参考訳）: あらゆる新しい臨床画像装置は、高濃度の腺マスクが高価だが安価な臨床信号 -- 眼球のアウトライン、パルトグレード、形態比 -- を日常的に記録する領域シフトを生成する。 TopoPult-SSLは,クロスデバイスメボミアン腺分画のための2段階のフレームワークである。 ステージ1は、標的の目隠しマスクと臨床メタデータのみによって駆動される4つの弱いプライアアンカーを用いて、トレーニング損失に標的の腺マスクを含まないソーストレーニングモデルを適用する。 ターゲットの腺マスクが入手可能なステージ2では、補完的なステージ1の教師を教師付き自己蒸留によって1人のコンパクトな学生に駆除する。 本手法は,Dice 0.716+/-0.006 (best 0.726), UA-MT (0.710), アンサンブル教師 (0.720) を1回のパスで上回り, 一般のMGD-1kからCAMG研究ベンチマーク(1,000から100の画像, 異なる装置)上で開発・検証する。 腺マスクのないStage-1変異体はSAM/MedSAM (p<0.001) の精度 0.694 対 0.30-0.34 に達する。 コードと再現性スクリプトがリリースされている。

関連論文リスト

• Geometry-Aware Distillation for Prompt Tuning Biomedical Vision-Language Models [40.432049062995326]
  視覚言語モデル(VLM)の現在のプロンプトベースおよびアダプタベースチューニングは、医用画像にとって魅力的である。 オムニ幾何知識蒸留(Omni-Geometry Knowledge Distillation, OGKD)を提案する。 我々のOGKDは性能が大幅に向上し、従来のVLM適応よりも平均1.7%-2.8%の精度が向上した。
  論文  参考訳（メタデータ） (2026-06-03T14:17:57Z)
• VIVID-Med: LLM-Supervised Structured Pretraining for Deployable Medical ViTs [24.283989257873085]
  VIVID-Medは,凍結した大言語モデル(LLM)を構造化意味論的教師として活用し,医療用ビジョントランスフォーマー(ViT)を事前訓練する新しいフレームワークである。 VIVID-Medは、臨床所見をUnified MedicalNIST (UMS) を介して検証可能なフィールド状態ペアに翻訳し、応答性を考慮したマスキングを用いて最適化に焦点を当てる。 マクロAUCは0.8588で、500倍少ないデータを使用しながら、BiomedCLIPを+6.65ポイント上回る。
  論文  参考訳（メタデータ） (2026-03-10T02:42:51Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification from Ultrasound Images [2.875000842489767]
  本稿では,完全自動化された悪性度予測のための2段階のフレームワークを提案する。 本手法は,臨床的に関係のある領域にのみ集中させ,解釈可能性を実現する。 これは、超音波画像上で甲状腺結節を検出し、悪性度を予測するための、最初の完全なエンドツーエンドパイプラインである。
  論文  参考訳（メタデータ） (2025-11-14T23:23:24Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning [8.222490368972725]
  心電図コア(volumetric core)と呼ばれる新しいデジタル病理データソースを提案する。 本発明のデータソースは、連続切断された組織セクションの抽出及び調整を介して得られる。 我々は、Gleason Grade Groupを自動分類するために、ボリュームパッチから抽出した深い特徴に基づいて、注意に基づくマルチインスタンス学習フレームワークを訓練した。
  論文  参考訳（メタデータ） (2024-09-12T18:00:25Z)
• OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides [27.84599956781646]
  本研究では,デジタル化された全スライド画像(WSI)におけるMFを検出する人工知能(AI)アプローチを提案する。 ここでは、社内の軟部組織腫瘍データセット(STMF)と、IPAC、TUPAC、CCMCT、CMC、MIDOG++の5つのオープンソースの有糸分裂データセットを組み合わせることで、最大の有糸分裂像のパン・カンサデータセットを確立する。 次に、2段階のフレームワーク(Optimized Mitoses Generator Network (OMG-Net))を用いてMFを分類した。
  論文  参考訳（メタデータ） (2024-07-17T17:53:37Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)

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。