論文の概要: MS-DKC: A Dataset Knowledge Card Framework for Designing and Adapting Medical Image Segmentation Models

• arxiv url: http://arxiv.org/abs/2606.06103v1
• Date: Thu, 04 Jun 2026 12:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.793782
• Title: MS-DKC: A Dataset Knowledge Card Framework for Designing and Adapting Medical Image Segmentation Models
• Title（参考訳）: MS-DKC:医療画像セグメンテーションモデルの設計と適応のためのデータセット知識カードフレームワーク
• Authors: Tariq M. Khan, Syed Saud Naqvi, Thantrira Porntaveetus, Hamid Alinejad-Rokny, Shahzaib Iqbal, Imran Razzak, Mohammad AU Khan,
• Abstract要約: 本稿では,医用画像のセグメンテーション因子を明確にするためのフレームワークである医療知識カード(MS-DKC)を紹介する。 DRIVE,ISIC2018,ACDCにおけるMS-DKCの評価を行った。 さまざまなデータセットには、モデルが適切に判断される前に、さまざまな事前、運用ポイント、エビデンスが必要です。
• 参考スコア（独自算出の注目度）: 16.049338958360156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is often framed as a search for stronger architectures, but this can obscure a more fundamental question: what does the dataset require from the model? In medical imaging, this requirement is shaped by foreground occupancy, morphology, boundary ambiguity, topology sensitivity, annotation quality, acquisition variation, and operating point. This paper introduces the Medical Segmentation Dataset Knowledge Card (MS-DKC), a framework for making these factors explicit. MS-DKC records dataset evidence through image/acquisition, morphology, supervision, context-dependence, and deployment-risk descriptors. These descriptors are mapped to failure modes, design priors, and risk-aligned criteria, making segmentation design more traceable than architecture-first comparison. We evaluate MS-DKC on DRIVE, ISIC2018, and ACDC, representing distinct regimes. DRIVE contains sparse, thin, branching vessels, favoring detail-preserving models, sensitivity-aware optimization, threshold analysis, and topology-aware metrics. DKC-TNet-v2 achieved Dice 0.8044 and IoU 0.6730 with 35103 parameters, while SA-UNetv2-DKC-AmbRef reached Dice 0.8141, IoU 0.6865, sensitivity 0.8265, specificity 0.9804, and AUC 0.9853. ISIC2018 involves compact but appearance-variable lesions; validation-constrained score-function selection on Att-Next-Topo/ATTNext produced MS-DKC-AttNextTopo-VCSF-NoAug with Dice 0.8872, IoU 0.8214, precision 0.9173, Boundary F1 0.4878, and ASSD 4.13, while plausible additions failed to improve the risk-aligned profile. ACDC provides a multi-class cardiac case, where MS-DKC recommends four-class softmax segmentation, class-balanced Dice/CE supervision, and class-wise surface evaluation. Overall, the results support dataset-conditioned design: different datasets require different priors, operating points, and evidence before a model can be judged appropriate.
• Abstract（参考訳）: 医用画像のセグメンテーションは、しばしばより強力なアーキテクチャの探索としてフレーム化されるが、これはより根本的な疑問:データセットはモデルから何を必要としているのか? 医用画像では、この要件は、前景占有率、形態、境界あいまいさ、トポロジー感度、アノテーション品質、取得変動および操作点によって形成される。 本稿ではこれらの要因を明確にするためのフレームワークであるMS-DKCについて紹介する。 MS-DKCは、画像/取得、形態学、監督、コンテキスト依存、デプロイメントリスク記述子を通じて、データセットのエビデンスを記録する。 これらの記述子を障害モード、設計優先、リスク整合基準にマッピングすることで、セグメンテーション設計をアーキテクチャファースト比較よりもトレースしやすくする。 DRIVE,ISIC2018,ACDCにおけるMS-DKCの評価を行った。 DRIVEにはスパース、薄型分岐器、詳細保存モデル、感度対応最適化、しきい値分析、トポロジ対応メトリクスが含まれている。 DKC-TNet-v2はDice 0.8044とIoU 0.6730を35103パラメータで達成し、SA-UNetv2-DKC-AmbRefはDice 0.8141、IoU 0.6865、感度 0.8265、特異度 0.9804、AUC 0.9853に達した。 ISIC2018はコンパクトだが外観が可変な病変を伴い、Att-Next-Topo/ATTNextはMS-DKC-AttNext-VCSF-NoAugをDice 0.8872、IoU 0.8214、精度0.9173、バウンダリーF1 0.4878、ASSD 4.13で作成した。 ACDCはマルチクラスの心臓ケースを提供しており、MS-DKCは4クラスのソフトマックスセグメンテーション、クラスバランスのDice/CE監督、クラスワイド表面評価を推奨している。 さまざまなデータセットには、モデルが適切に判断される前に、さまざまな事前、運用ポイント、エビデンスが必要です。

関連論文リスト

• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• QMaxViT-Unet+: A Query-Based MaxViT-Unet with Edge Enhancement for Scribble-Supervised Segmentation of Medical Images [0.0]
  医用画像分割のための新しいフレームワークQMaxViT-Unet+を提案する。 このフレームワークはU-Netアーキテクチャ上に構築されており、エンコーダとデコーダはMulti-Axis Vision Transformer (MaxViT)ブロックに置き換えられている。 提案したQMaxViT-Unet+は, 心構造, 大腸ポリープ, 乳癌に焦点を絞った4つの公開データセットで評価した。
  論文  参考訳（メタデータ） (2025-02-14T16:56:24Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• A quality assurance framework for real-time monitoring of deep learning segmentation models in radiotherapy [3.5752677591512487]
  この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。 心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。 訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。 Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
  論文  参考訳（メタデータ） (2023-05-19T14:51:05Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。