論文の概要: A Comprehensive Survey of Medical Image Segmentation: Challenges, Benchmarks, and Beyond

• arxiv url: http://arxiv.org/abs/2606.16153v1
• Date: Mon, 15 Jun 2026 03:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.049181
• Title: A Comprehensive Survey of Medical Image Segmentation: Challenges, Benchmarks, and Beyond
• Title（参考訳）: 医用画像セグメンテーションに関する総合的調査 : 課題,ベンチマーク,その他
• Authors: Pengyu Zhu, Xiaojing Zhang, Kunbo Zhang, Chunyan Zhang, Zhenyu Wang,
• Abstract要約: 医療画像のセグメンテーションは、臨床診断、治療計画、疾患のモニタリング、神経疾患の特定において重要な役割を担っている。 本稿では、広く使われている公開データセット、U-Net、Transformer、SAMアーキテクチャ上に構築された代表的手法、それらの相違点に関する主要な評価指標を網羅的に紹介し、続いて複数の視点からの大きな課題について分析する。 本研究の目的は,医用画像セグメンテーションの今後の研究の指導と臨床翻訳を支援することであり,関連リソースはすべてGitHubリポジトリで公開されている。
• 参考スコア（独自算出の注目度）: 16.57577230673344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation plays a critical role in clinical diagnostics, treatment planning, disease monitoring, and neurological disorder identification. This article presents a comprehensive review of its systematic development, covering widely used public datasets, representative methods built on the U-Net, Transformer, and SAM architectures, and key evaluation metrics with their differences, followed by an analysis of major challenges from multiple perspectives. Unlike surveys that focus on a single model family or a specific clinical application, this review organizes U-Net-, Transformer-, and SAM-based methods within a unified analytical framework, with a particular focus on their effectiveness in improving segmentation accuracy and efficiency. This work aims to guide future research and support clinical translation of medical image segmentation, with all related resources publicly available in our GitHub repository: https://github.com/andrew-pengyu/Awsome_MedSeg/tree/main.
• Abstract（参考訳）: 医療画像のセグメンテーションは、臨床診断、治療計画、疾患のモニタリング、神経疾患の特定において重要な役割を担っている。 本稿では、広く使われている公開データセット、U-Net、Transformer、SAMアーキテクチャ上に構築された代表的手法、それらの相違点に関する主要な評価指標を網羅的に紹介し、続いて複数の視点からの大きな課題について分析する。 単一モデルファミリーや特定の臨床応用に焦点を当てた調査とは異なり、このレビューでは、U-Net-, Transformer-, SAM-based methodを統合分析フレームワーク内に整理し、セグメンテーションの精度と効率を改善するための有効性に焦点を当てている。 この研究は、将来の研究をガイドし、医療画像セグメンテーションの臨床的翻訳をサポートすることを目的としており、関連するすべてのリソースはGitHubリポジトリで公開されています。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• Foundation Models in Medical Image Analysis: A Systematic Review and Meta-Analysis [7.905460364844281]
  ファンデーションモデル(FM)は、医療画像解析に革命をもたらし、様々な医療画像タスクにおいて、ゼロショットと少数ショットのパフォーマンスを強く証明している。 FMは、ラベル付きおよびラベルなしのマルチモーダルデータセットの大規模なコーパスを利用して、一般化された表現を学習する。 医療画像におけるFM研究の急速な普及にもかかわらず、フィールドは断片化されている。 本稿では,医療画像解析におけるFMの包括的かつ構造化された分析について述べる。
  論文  参考訳（メタデータ） (2025-10-19T19:19:23Z)
• Position: Thematic Analysis of Unstructured Clinical Transcripts with Large Language Models [5.398283020969301]
  LLM(Large Language Model)は、構造化されていない臨床転写のセマンティック解析をサポートする。 既存の評価方法は大きく異なり、進歩を妨げ、研究全体で有意義なベンチマークを防ぐ。 本稿では,妥当性,信頼性,解釈可能性の3つの側面に着目した評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-18T04:02:00Z)
• A Comprehensive Review of U-Net and Its Variants: Advances and Applications in Medical Image Segmentation [0.0]
  本稿では, 画像モダリティに基づいて医用画像データセットを分類し, U-Netとその各種改善モデルについて検討する。 U-NetとU-Netの変種アルゴリズムの4つの中心的改善機構を要約する。 今後の進歩に向けた潜在的な道筋と戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-09T13:11:51Z)
• Named Clinical Entity Recognition Benchmark [2.9332007863461893]
  本報告では, 名前付き臨床エンティティ認識ベンチマークを紹介する。 臨床物語から構造化された情報を抽出する重要な自然言語処理(NLP)タスクに対処する。 リーダーボードは多様な言語モデルを評価するための標準化されたプラットフォームを提供する。
  論文  参考訳（メタデータ） (2024-10-07T14:00:18Z)
• Exploring SAM Ablations for Enhancing Medical Segmentation in Radiology and Pathology [2.5462695047893025]
  Segment Anything Model(SAM)は、さまざまなドメインにまたがるセグメンテーション課題に対処するための、有望なフレームワークとして登場した。 SAMの微調整について検討し、セグメンテーション結果の精度と信頼性にその影響を深く評価する。 先進的なセグメンテーション技術と医療の要求要件のギャップを埋めることを目指しています。
  論文  参考訳（メタデータ） (2023-09-30T21:58:12Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。