論文の概要: Specificity- and Calibration-Aware Breast Ultrasound Segmentation via Entropy-Guided Boundary Supervision

• arxiv url: http://arxiv.org/abs/2606.22308v1
• Date: Sun, 21 Jun 2026 02:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 19:10:50.812336
• Title: Specificity- and Calibration-Aware Breast Ultrasound Segmentation via Entropy-Guided Boundary Supervision
• Title（参考訳）: エントロピー誘導境界法による乳房超音波の特異性と校正
• Abstract要約: 病変のある画像では、スペックルノイズ、低組織コントラスト、後部音響シャドーイングは境界漏れと不完全な輪郭線を生じさせる。 本研究は、トレーニング対象に1つの修正を加えることで、両方の障害モードに対処する。 全ての境界画素を等しく重み付けする代わりに、提案された損失は、画素ごとの予測エントロピーと接地トラス境界写像によって輪郭ペナルティをスケールする。
• 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: Lesion segmentation in breast ultrasound involves two related challenges. In images with lesions, speckle noise, low tissue contrast, and posterior acoustic shadowing cause boundary leakage and incomplete contour delineation. In images without lesions, those same artifacts generate false-positive activations in regions resembling solid lesion tissue. This study addresses both failure modes through a single modification to the training objective. Rather than weighting every boundary pixel equally, the proposed loss scales contour penalties by per-pixel predictive entropy and the ground-truth boundary map, concentrating gradient emphasis on lesion margin locations where the network remains uncertain. The loss was evaluated on the BUSI dataset through a controlled ablation against two baselines: a model without boundary supervision and a model with uniformly weighted boundary binary cross-entropy. Across 97 lesion-containing test images, mean Dice scores were statistically indistinguishable between the proposed method and the no-boundary baseline (0.7624 versus 0.7616, paired Wilcoxon p = 0.27), confirming that lesion segmentation quality is preserved. The primary effect appears in specificity. False-positive activations on 20 no-lesion test images fell from 14 of 20 and 19 of 20 for the two baselines to 5 of 20 with the proposed approach (McNemar p = 0.012 and 0.0005). Non-overlapping Wilson 95% confidence intervals confirm the difference is both statistically significant and practically substantial. A post-hoc spatial temperature scaling step further reduced expected calibration error from 0.0201 to 0.0095 without altering segmentation masks. Entropy-guided boundary supervision and spatial calibration thus function as complementary training-level and inference-level refinements that improve specificity and probability reliability within a U-Net framework.
• Abstract（参考訳）: 乳房超音波における病変セグメンテーションには2つの課題がある。 病変のある画像では、スペックルノイズ、低組織コントラスト、後部音響シャドーイングは境界漏れと不完全な輪郭線を生じさせる。 病変のない画像では、これらの同じアーティファクトが固形病変組織に似た領域で偽陽性の活性化を引き起こす。 本研究は、トレーニング対象に1つの修正を加えることで、両方の障害モードに対処する。 全ての境界画素を等しく重み付けする代わりに、提案された損失は、各画素の予測エントロピーと接地トラスト境界マップによって輪郭のペナルティをスケールし、ネットワークが不確実な場所にある病変マージンに焦点を絞った。 この損失は,境界監督のないモデルと一様重み付き境界バイナリクロスエントロピーを持つモデルという,2つのベースラインに対する制御的アブレーションを通じて,BUSIデータセット上で評価された。 97例の病変を含む検査画像では,Diceスコアは非境界ベースライン(0.7624対0.7616対Wilcoxon p=0.27)と統計的に区別できず,病変のセグメンテーションの質が保存されていることを確認した。 主な効果は特異性である。 提案手法により,20点中14点,20点中19点から20点中5点(McNemar p = 0.012, 0.0005)に偽陽性が認められた。 重複しないウィルソン95%の信頼区間は、この差が統計的に有意であり、実質的に有意であることを示す。 熱後の空間温度スケーリングステップにより、セグメンテーションマスクを変更することなく、予想キャリブレーション誤差を0.0201から0.0095に低減した。 エントロピー誘導境界監督と空間キャリブレーションは、U-Netフレームワーク内の特異性と確率信頼性を改善するための相補的な訓練レベルおよび推論レベルの改良として機能する。

関連論文リスト

• Beyond Accuracy: Uncertainty-Guided Boundary Refinement for Reliable Biomedical Image Segmentation [0.0]
  本研究では,信頼性に配慮した画像分割のためのRABR-Netを提案する。 UNet++の強力なEfficientNet-B4ベースセグメンタは、最初に初期クラス確率とログを生成する。 予測エントロピー、テスト時間拡張分散、マージン不確実性、確率勾配、ソフト境界キューを結合して境界対応信頼性表現を行う。 この表現は、基地予測の確実な領域を保持しつつ、不確実な境界画素を選択的に補正するゲート残留精細器を誘導する。
  論文  参考訳（メタデータ） (2026-09-11T14:21:02Z)
• MORPHA: Morphology-Constrained Training and the Limits of Cross-Acquisition Transfer in Low-Resource Malaria Microscopy [0.0]
  形態的整合性制約であるMORPHAを提案する。 薄いスミア細胞から厚いスミアフィールドイメージへの転移では、この制約によりバイナリ分類の一般化が30.8%減少する。 薄いスミア統計は厚いスミア検出に移行せず、クロスアセプションの擬似ラベリングはフィルタ適用前に失敗する。
  論文  参考訳（メタデータ） (2026-09-05T09:19:44Z)
• Automated binary classification of hazelnut X-ray images: A deep-learning benchmark for quality assessment [33.72751145910978]
  非破壊的なX線撮影では、外部検査だけでは検出が難しい内部のハゼルナッツの欠陥が明らかになる。 799セグメントのシングルカーネルX線画像に基づくバイナリ・ヘーゼルナットの品質分類のベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-12T07:55:22Z)
• LoTA-N2N: Local Trace Adaptation for Zero-Shot Self-Supervised Image Denoising [43.31076762214249]
  単一イメージの自己監督型遮音装置は、使用不能なクリーンターゲットをノイズの観測から構築されたサロゲートターゲットに置き換える。 2段階ゼロショット適応フレームワークであるLoTA-N2Nを提案する。 局所的な構造は空間的キャンセルを防ぎ、上界は対応する大域的相互作用の大きさを示す。
  論文  参考訳（メタデータ） (2026-07-27T08:16:15Z)
• HADS-Net:A Hybrid Attention-Augmented Dual-Stream Network with Physics-Informed Augmentation for Breast Ultrasound Image Classification [0.04999814847776097]
  HADS-Netはハイブリッドアテンション拡張デュアルストリームネットワークである。 グローバルなテクスチャと2つの平行な経路を通して局所的な境界線を利用する。 精度は96.58%、マクロOC-AUCは0.9978、マクロF1は0.9654、クラスF1スコアは0.970、0.951、0.976である。
  論文  参考訳（メタデータ） (2026-05-19T22:16:24Z)
• Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
  SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。 腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
  論文  参考訳（メタデータ） (2026-04-28T14:16:20Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• 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)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Autonomous labeling of surgical resection margins using a foundation model [4.873604837915161]
  本研究は,全スライディング画像上で外科的切削面を自律的に局所化する仮想インクネットワーク(VIN)を提案する。 VINは、特徴抽出器として凍結基礎モデルと、因果一貫性のある特徴のパッチレベル分類のために訓練されたコンパクトな2層多層パーセプトロンを使用する。
  論文  参考訳（メタデータ） (2025-11-27T05:52:42Z)
• Can ultrasound confidence maps predict sonographers' labeling variability? [38.75943978900532]
  本研究は,ソノグラフィーの不確実性を考慮するために,超音波セグメンテーションネットワークを誘導する新しい手法を提案する。 信頼性マップの低値と専門家のラベルの不確実性との間には相関関係があることが示されている。 以上の結果から,超音波CMではDiceスコアが増加し,HusdorffおよびAverage Surface Distanceが向上し,孤立画素の予測回数が減少した。
  論文  参考訳（メタデータ） (2023-08-18T10:07:17Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。