論文の概要: Polynomial Dice Loss for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.23373v1
• Date: Mon, 22 Jun 2026 14:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 19:25:20.802789
• Title: Polynomial Dice Loss for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのポリノミアルジス損失
• Authors: Hiroaki Aizawa,
• Abstract要約: 医用画像のセグメンテーションは、医用画像処理とコンピュータ支援介入の基本的な課題である。 ディース・ロスは予測された真実領域と地上の真実領域の重なりを測定する。 我々は、Dice Lossの拡張であるPolynomial Dice Lossを提案する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is a fundamental task for medical image processing and computer-assisted intervention, yet data imbalance and small lesion detection pose significant challenges. Dice Loss, which measures the overlap between predicted and ground truth regions, is widely used to mitigate these issues. To further emphasize its properties, we propose Polynomial Dice Loss, a polynomial extension of Dice Loss. Specifically, by leveraging the geometric characteristics of Dice Loss and formulating the loss function as a polynomial representation via Taylor expansion, we enable the adjustment of the contribution of higher-order components to the loss function. In our experiments, we evaluate the proposed method against loss functions derived from conventional Dice and Tversky coefficients. Experimental results and further analysis show that the polynomial formulation provides a simple way to control the loss shape and achieves competitive performance across multiple segmentation settings.
• Abstract（参考訳）: 医用画像のセグメンテーションは、医用画像処理とコンピュータ支援による介入の基本的な課題であるが、データ不均衡と小さな病変検出は重大な課題である。 予測された真実領域と地上の真実領域の重複を測定するDice Lossは、これらの問題を緩和するために広く利用されている。 さらにその性質を強調するために、Dice Loss の多項式拡張である Polynomial Dice Loss を提案する。 具体的には、Dice Lossの幾何学的特性を活用し、Taylor拡張による多項式表現として損失関数を定式化することにより、損失関数に対する高次成分の寄与の調整を可能にする。 本研究では,従来のDice係数とTversky係数から導出した損失関数に対する提案手法の評価を行った。 実験結果とさらなる解析により、多項式定式化は損失形状を簡易に制御し、複数のセグメンテーション設定間での競合性能を実現することを示した。

関連論文リスト

• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Multimodal HIE Lesion Segmentation in Neonates: A Comparative Study of Loss Functions [0.0]
  我々は,データ制約を克服するための事前処理,拡張,トレーニング戦略を最適化した3次元U-Netを実装した。 本研究の目的は,HIE病変セグメンテーションタスクに特有な損失関数を同定することである。 Dice, Dice-Focal, Tversky, Hausdorff Distance (HausdorffDT) Loss と、Dice-Focal-HausdorffDT と Tversky-HausdorffDT の2つの複合的な損失によりセグメンテーション性能が向上した。
  論文  参考訳（メタデータ） (2025-02-13T10:23:45Z)
• FESS Loss: Feature-Enhanced Spatial Segmentation Loss for Optimizing Medical Image Analysis [0.0]
  本研究では,空間的精度と包括的特徴表現のバランスをとる上での課題を克服するために,特徴強化空間損失(FESS損失)を提案する。 FESS損失は、対照的な学習の利点と、Dice損失に固有の空間的精度を統合する。 医用画像のセグメント化において,空間的精度と特徴に基づく表現を両立させることが目的である。
  論文  参考訳（メタデータ） (2024-02-13T16:36:21Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Contour Dice loss for structures with Fuzzy and Complex Boundaries in Fetal MRI [2.6097841018267616]
  本稿では、Contour Dice 計量に類似した損失の新しい定式化について述べる。 胎児脳のセグメンテーションでは、DiceとCross-Entropyが併用され、DiceとContour Diceが併用された。
  論文  参考訳（メタデータ） (2022-09-25T14:23:13Z)
• PolyLoss: A Polynomial Expansion Perspective of Classification Loss Functions [44.58521969295784]
  クロスエントロピー損失と焦点損失は、分類問題に対するディープニューラルネットワークのトレーニングにおいて最も一般的な選択である。 本稿では,損失関数を関数の線形結合として見たり設計したりするための,PolyLossというシンプルなフレームワークを提案する。 我々のPolyLossは、ターゲットタスクやデータセットに応じて、異なるベースの重要性を容易に調整できるようにします。
  論文  参考訳（メタデータ） (2022-04-26T18:00:04Z)
• A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation [0.7619404259039283]
  声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。 提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
  論文  参考訳（メタデータ） (2021-02-08T20:47:38Z)
• Computational Barriers to Estimation from Low-Degree Polynomials [81.67886161671379]
  本研究では,隠れ構造物の存在を検知する作業において,低次構造物のパワーについて検討する。 大規模な「信号+雑音」問題に対して、任意の程度に達成可能な最良の平均二乗誤差に対して、ユーザフレンドリな下界を与える。 応用として,植込みサブマトリクスに対する低次平均2乗誤差の厳密な評価と高密度サブグラフ問題について述べる。
  論文  参考訳（メタデータ） (2020-08-05T17:52:10Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

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。