論文の概要: OBBSeg: Irregular Lesion Segmentation under Oriented Bounding Box Annotations

• arxiv url: http://arxiv.org/abs/2607.06007v1
• Date: Tue, 07 Jul 2026 08:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.459171
• Title: OBBSeg: Irregular Lesion Segmentation under Oriented Bounding Box Annotations
• Title（参考訳）: OBBSeg: 向き付けられたバウンディングボックスアノテーションの下での不規則な病変セグメンテーション
• Abstract要約: OBBSeg は Oriented Bounding Boxes (OBBs) が指導する中間監視パラダイムであり、完全な監督と弱い監督のギャップを埋める。 5つの画像モダリティにわたる13のデータセットの実験において、OBBSegは完全な教師付きアプローチに匹敵するパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 39.20764383264761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pixel-level annotation remains a major bottleneck in medical image segmentation, making weak supervision an attractive yet under-constrained alternative. We propose OBBSeg, an intermediate supervision paradigm guided by Oriented Bounding Boxes (OBBs) that bridges the gap between full and weak supervision. By jointly encoding spatial extent and orientation, OBBs provide compact geometric supervision that better aligns with elongated or anisotropic lesions, reducing the ambiguity of coarse box annotations. To mitigate the inherent rectangular bias of OBBs, we introduce a Mask-to-OBB loss, a differentiable formulation that enforces geometric consistency between predicted masks and OBB regions. Furthermore, we incorporate prompt-driven semantic guidance through two complementary modules-PAFE and DBFE-which enhance foreground representation and suppress background interference. Extensive experiments on 13 datasets across 5 imaging modalities show that OBBSeg not only outperforms existing weakly supervised methods but also achieves performance comparable to fully supervised approaches, demonstrating its potential for efficient and scalable medical image segmentation. The code is available at https://github.com/StarLxc3/OBBSeg.
• Abstract（参考訳）: 医用画像のセグメンテーションにおいて、ピクセルレベルのアノテーションは依然として大きなボトルネックであり、監督の弱さは魅力的だが制約の少ない代替手段である。 OBBSegは、オブジェクト指向バウンディングボックス(OBB)によって導かれる中間的監視パラダイムであり、完全な監督と弱い監督のギャップを埋めるものである。 空間的範囲と向きを共同で符号化することにより、OBBは細長いまたは異方性病変との整合性を向上し、粗いボックスアノテーションの曖昧さを低減できるコンパクトな幾何学的監督を提供する。 OBBの固有長方形バイアスを軽減するため、予測マスクとOBB領域間の幾何的整合性を強制する微分可能な定式化であるMask-to-OBB損失を導入する。 さらに,2つの相補的モジュール-PAFEとDBFE-を介し,前景表現を強化し,背景干渉を抑制するプロンプト駆動型セマンティックガイダンスを組み込んだ。 5つの画像モダリティにまたがる13のデータセットの大規模な実験により、OBBSegは既存の弱教師付き手法よりも優れているだけでなく、完全に教師付きアプローチに匹敵するパフォーマンスを実現し、効率的でスケーラブルな医用画像セグメンテーションの可能性を実証している。 コードはhttps://github.com/StarLxc3/OBBSegで入手できる。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Weakly Supervised Camouflaged Object Detection Based on the SAM Model and Mask Guidance [49.06684374007753]
  制約を克服するために,キャモフラージュされた物体検出のための新しい弱い教師付きアプローチを導入する。 具体的には,エッジのあいまいさに対処し,検出に失敗する新しいネットワークMGNetを提案する。 そこで本研究では,Segment Anything Model(SAM)とバウンディングボックスプロンプトを併用して擬似ラベルを生成するBoxSAMを提案する。
  論文  参考訳（メタデータ） (2026-05-25T03:26:13Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation [30.298073210760577]
  超音波画像における病変分割のためのプログレッシブ境界拡張U-Net(PBE-UNet)を提案する。 狭い境界と広いセグメンテーション誤差領域の間には大きなギャップがあることが分かる。 提案するPBE-UNetは,最先端の超音波画像分割法より優れている。
  論文  参考訳（メタデータ） (2026-04-15T12:31:20Z)
• Uncertainty-Aware Extreme Point Tracing for Weakly Supervised Ultrasound Image Segmentation [8.36505363991354]
  アノテーションとして4つの極端点のみを利用する弱教師付きセグメンテーションフレームワークを提案する。 具体的には、極端点から派生したバウンディングボックスをSegment Anything Model 2 (SAM2) のプロンプトとして使用して、信頼できる初期擬似ラベルを生成する。 これらの結果は,超音波画像分割のための弱教師付き枠組みの有効性と実用性を検証するものである。
  論文  参考訳（メタデータ） (2025-10-17T13:53:16Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• Point-supervised Brain Tumor Segmentation with Box-prompted MedSAM [11.861051009791224]
  セマンティック・アウェア・ポイント管理型MedSAMを実現するための反復的フレームワークを提案する。 Box-prompt generator (SBPG)モジュールは、ポイント入力を潜在的に擬似境界ボックス提案に変換する能力を持つ。 Prompt-Guided Space refinement (PGSR)モジュールは、MedSAMの例外的な一般化性を利用して、セグメンテーションマスクを推測する。
  論文  参考訳（メタデータ） (2024-08-01T16:52:39Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)

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。