論文の概要: Comparison of Loss Functions for Robust Deep Learning-based Echocardiography Segmentation when Learning with Partially Labelled Data from Multiple Domains

• arxiv url: http://arxiv.org/abs/2607.05008v1
• Date: Mon, 06 Jul 2026 12:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.152331
• Title: Comparison of Loss Functions for Robust Deep Learning-based Echocardiography Segmentation when Learning with Partially Labelled Data from Multiple Domains
• Title（参考訳）: 複数の領域から部分的に遅延したデータを用いて学習する場合のロバスト深層学習による心エコー画像分割における損失関数の比較
• Abstract要約: 適応的カテゴリー的クロスエントロピー (aCCE) 損失, 限界損失, 適応的バイナリ的クロスエントロピー (aBCE) 損失 (aBCE) の3つの損失関数の性能を評価する。 実験の結果,3つの損失関数はドメイン内セグメンテーションタスクにおいて高い性能を示すことがわかった。
• 参考スコア（独自算出の注目度）: 1.5282771424864094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Echocardiography is the first imaging modality used for assessing cardiac function, and accurate segmentation of cardiac structures is essential for deriving biomarkers. However, the development of effective automated segmentation models for multiple cardiac structures is challenged by the difficulty of training on datasets from different sources that are often partially-labelled. This study aims to address this challenge by evaluating the performance of three loss functions - adaptive categorical cross entropy (aCCE) loss, marginal loss, and the adaptive binary cross entropy (aBCE) loss - in handling partially-labelled data. We conduct a comprehensive comparison of these loss functions across multiple scenarios and network architectures: intra-domain and inter-domain tasks, with both single and multiple partial-labels, and varying proportions of fully-labelled to partially-labelled data. Our experiments reveal that all three loss functions exhibit strong performance in intra-domain segmentation tasks, effectively handling label variations within the same domain. For inter-domain tasks, where models are trained on datasets with a domain shift, the aBCE and marginal losses show superior performance when dealing with the case of one label being missing from some training examples. In scenarios involving more than one label being missing, marginal loss outperforms the other methods, demonstrating its robustness in such complex conditions. These results highlight the strengths of each loss function depending on the labelling scenario, emphasizing the importance of selecting the appropriate loss function to optimize model performance. This study represents the first investigation of techniques for handling partially-labelled data from multiple different domains in echocardiography segmentation and provides a comprehensive comparison of loss-based solutions.
• Abstract（参考訳）: 心エコー法は心臓機能を評価するための最初の画像モダリティであり、生体マーカーの抽出には心臓構造の正確なセグメンテーションが不可欠である。 しかし、複数の心臓構造に対する効果的な自動セグメンテーションモデルの開発は、しばしば部分的にラップされた異なるソースからのデータセットのトレーニングが困難であるために困難である。 本研究の目的は,アダプティブ・カテゴリ・クロス・エントロピー(aCCE)損失,限界損失,アダプティブ・バイナリ・クロス・エントロピー(aBCE)損失という3つの損失関数の性能を評価することである。 ドメイン内タスクとドメイン間タスク、単一ラベルと複数ラベルの両方で、完全にラップされたデータと部分的にラップされたデータの比率を網羅的に比較する。 実験の結果, 3つの損失関数はドメイン内セグメンテーションタスクにおいて高い性能を示し, 同一ドメイン内のラベル変動を効果的に扱えることがわかった。 ドメインシフトのあるデータセットでモデルがトレーニングされるドメイン間タスクの場合、ABCEと限界損失は、あるラベルがトレーニング例から欠落している場合の処理において、優れたパフォーマンスを示す。 複数のラベルが欠落するシナリオでは、限界損失は他の手法よりも優れており、そのような複雑な条件下でその堅牢性を示す。 これらの結果はラベル付けシナリオによる各損失関数の強みを強調し、モデル性能を最適化するために適切な損失関数を選択することの重要性を強調した。 本研究は、心エコー法における複数の領域からの部分遅延データを扱う手法に関する最初の研究であり、損失ベースソリューションの包括的な比較を提供する。

関連論文リスト

• An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation [3.7378922476395906]
  ファジィ論理を組み込んだ新たな損失関数を導入し,脳画像分割における不確実性問題に対処する。 ファジィ論理に基づいて、よく知られたカテゴリー的クロスエントロピー(CCE)損失関数とファジィエントロピーを統合する。 実験結果から,提案した損失関数を用いた学習モデルにより,CCE最適化関数と比較して,様々な性能指標が得られた。
  論文  参考訳（メタデータ） (2026-04-13T12:55:57Z)
• Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
  マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。 対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。 多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
  論文  参考訳（メタデータ） (2024-11-27T20:20:06Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Label Dropout: Improved Deep Learning Echocardiography Segmentation Using Multiple Datasets With Domain Shift and Partial Labelling [3.2322708710124815]
  本稿では,ドメイン特性とラベルの有無を関連付ける新しいラベルドロップアウト方式を提案する。 ラベルのドロップアウトは,複数の部分ラベル付きデータセットを用いたトレーニングにおいて,2つの心構造に対して62%,25%のエコーセグメンテーションDiceスコアを改善することを実証した。
  論文  参考訳（メタデータ） (2024-03-12T16:57:56Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [35.34932609930401]
  本研究は,バイオメディカルイメージセグメンテーションのための計算効率の良い生成ツールとしてのPULASki法を提案する。 専門家のアノテーションでは、小さなデータセットであっても、変数をキャプチャする。 また,3次元パッチと従来の2次元スライスを用いた複雑なジオメトリーの計算可能セグメンテーションについて比較検討した。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Cross-Database and Cross-Channel ECG Arrhythmia Heartbeat Classification Based on Unsupervised Domain Adaptation [0.0]
  ドメイン間の特徴差の最適化に基づくドメイン適応型ディープネットワークを提案する。 本手法は,事前学習,クラスタ中心計算,適応の3段階からなる。 提案手法は, 異所性ビート検出における他の最先端手法と比較して, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T13:46:49Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
  逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。 このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。 室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
  論文  参考訳（メタデータ） (2021-04-06T18:52:45Z)
• 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)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)

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。