論文の概要: BAC-JEPA: Label-Efficient Breast Arterial Calcification Segmentation via Synthetic Mammography-Guided Supervision

• arxiv url: http://arxiv.org/abs/2606.22089v1
• Date: Sat, 20 Jun 2026 15:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:50:57.86625
• Title: BAC-JEPA: Label-Efficient Breast Arterial Calcification Segmentation via Synthetic Mammography-Guided Supervision
• Title（参考訳）: BAC-JEPA : 人工マンモグラフィーガイド法によるラベル有効乳動脈石灰化セグメンテーション
• Authors: Scott Chase Waggener, Lakshman Tamil,
• Abstract要約: プロシージャにより生成した動脈石灰化を, 正確なマスクで実際のマンモグラフィーの背景に挿入したラベル効率の高いセグメンテーションフレームワークBAC-JEPAを提案する。 合成マスクは、マンモグラフィー自己監督型ビジョントランスフォーマーエンコーダと高分解能畳み込みデコーダと組み合わせて、全分解能セグメンテーションマップを生成する。 BacSegでは、セグメンテーションの確率マップからの画像レベルの分類がAUROC 0.8719に到達し、小さいバックボーンは 0.8547 に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Breast arterial calcification (BAC) on screening mammograms is an emerging cardiovascular risk biomarker, but quantitative use requires reproducible segmentation and expert pixel-level labels are costly. We present BAC-JEPA, a label-efficient segmentation framework trained on procedurally generated arterial calcification inserted into real mammographic backgrounds with exact masks. Candidate backgrounds were selected from model-screened mammograms with low predicted BAC response; the generator samples arterial structure, disease burden, radiographic appearance, and hard-negative distractors including nonarterial calcifications and metallic objects. Synthetic masks are paired with mammography self-supervised Vision Transformer encoders and a high-resolution convolutional decoder to produce full-resolution segmentation maps. The study used 75,472 mammography studies from 34,956 patients for background selection and representation learning, trained on synthetic images from 10,000 backgrounds, selected checkpoints with 1,000 development backgrounds, and evaluated transfer on all 1,000 human-labeled BacSeg synthetic 2D mammograms. On held-out synthetic validation data, the larger backbone achieved IoU 0.5325 and Dice 0.6357. On BacSeg, image-level classification from segmentation probability maps reached AUROC 0.8719, with 0.8547 for the smaller backbone. Four-view inference required 110.68--213.63 ms on an RTX 5090 GPU, and severe-preset synthetic image generation averaged 2.7071 s per image on a multicore workstation. These results indicate that BAC-specific synthetic supervision can produce useful image-level transfer without human pixel-level training masks, while expert-reviewed real-mammogram segmentation remains necessary for clinical validation and calibration.
• Abstract（参考訳）: マンモグラムスクリーニングにおける乳房動脈石灰化(BAC)は心血管系リスクバイオマーカーとして出現するが、定量的使用には再現可能なセグメンテーションが必要であり、専門家のピクセルレベルラベルは高価である。 プロシージャにより生成した動脈石灰化を, 正確なマスクで実際のマンモグラフィーの背景に挿入したラベル効率の高いセグメンテーションフレームワークBAC-JEPAを提案する。 対象は, 動脈構造, 疾患負担, X線像, 非動脈石灰化物, 金属物などの硬陰性障害物質を採取し, 予測値の低いマンモグラムから選択した。 合成マスクは、マンモグラフィー自己監督型ビジョントランスフォーマーエンコーダと高分解能畳み込みデコーダと組み合わせて、全分解能セグメンテーションマップを生成する。 この研究は、背景選択と表現学習のために34,956人の患者から75,472個のマンモグラフィーを用いて、10,000の背景からの合成画像に基づいて訓練し、1000の背景を持つチェックポイントを選定し、1,000のヒト標識のBacSeg合成マンモグラフィーの移動を評価した。 保持された合成検証データでは、大きなバックボーンはIoU 0.5325とDice 0.6357を達成した。 BacSegでは、セグメンテーションの確率マップからの画像レベルの分類がAUROC 0.8719に到達し、小さいバックボーンは 0.8547 に達した。 4ビューの推論ではRTX 5090 GPUでは110.68--213.63 msが必要であり、マルチコアワークステーションでは1枚あたり平均2.7071 sである。 以上の結果から,BAC特異的な合成監督は,ヒトの画素レベルのトレーニングマスクを使わずに画像レベルの転写に有用であることが示唆された。

関連論文リスト

• Prompt-Free SAM-Based Multi-Task Framework for Breast Ultrasound Lesion Segmentation and Classification [0.4083182125683813]
  本研究では,病変分類と診断分類を共同で行うマルチタスク深層学習フレームワークを提案する。 提案手法では,高次元SAM特徴を軽量な畳み込みヘッドまたはUNetにインスパイアされたデコーダでデコードし,ピクセルワイドセグメンテーションを実現する。 PreCISE 2025乳房超音波データセットの実験では、クラスごとに80%のトレーニングと20%のテストに分割し、提案手法がDice similarity Coefficient (DSC)の0.887の精度と92.3%の精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-01-09T03:02:41Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation [6.142272540492936]
  本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。 近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。 本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-08T04:21:02Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• MammoGANesis: Controlled Generation of High-Resolution Mammograms for Radiology Education [0.0]
  我々は,512×512高分解能マンモグラムを合成するために,GAN(Generative Adversarial Network)を訓練する。 結果として得られるモデルは、教師なしの高レベルの特徴の分離につながる。 両盲検で平均AUC0.54を達成し,医療関連マンモグラムの生成能力を示す。
  論文  参考訳（メタデータ） (2020-10-11T06:47:56Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。