論文の概要: Leveraging Transfer Learning with Class-Specific Decoders for Laparoscopic Segmentation

• arxiv url: http://arxiv.org/abs/2607.29509v1
• Date: Fri, 31 Jul 2026 15:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.777626
• Title: Leveraging Transfer Learning with Class-Specific Decoders for Laparoscopic Segmentation
• Title（参考訳）: パラメトリックセグメンテーションのためのクラス特化デコーダを用いたレバレッジトランスファー学習
• Abstract要約: 外科的概念的知識が部分的に解剖学的表現の下でどのように伝達されるかを検討する。 その結果, 臓器特異的デコーダモデル (CEMD) は, クロスドメイン事前訓練後に完全に微調整され, 高いセグメンテーション性能が得られることがわかった。 しかし、外科的データのクラス不均衡は、転送学習が完全には解決しないという永続的な課題のままである。
• 参考スコア（独自算出の注目度）: 2.8921656251272094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective multi-organ segmentation in surgical data requires learning the intricate anatomical features and alleviating the challenge of class imbalance, which results from relatively lower proportions of small and limitedly exposed structures. Recent works on laparoscopic multi-organ segmentation focus on learning structure-specific features through class-specific decoder architectures and report favorable results. This work extends the decoder-focused architectures to investigate knowledge sharing in the cross-surgical domain. We utilize two datasets representing different surgical domains, rectal and cholecystectomy surgeries, to explore how surgical conceptual knowledge transfers under partially common anatomical representations. Additionally, we compare the feature adaptation for the encoder and decoder at different training stages to analyse the knowledge adaptation and retention in the network. Our results corroborate previous findings on decoder-specific architectures and demonstrate that the organ-specific decoder model (CEMD), fully fine-tuned after cross-domain pre-training, achieves the highest segmentation performance (62.4\% dice) while converging substantially faster than training from scratch. However, we also find that class imbalance in surgical data remains a persistent challenge that transfer learning does not fully resolve for underrepresented anatomical structures.
• Abstract（参考訳）: 外科的データの効果的な多臓器分割は、複雑な解剖学的特徴を学習し、クラス不均衡の課題を軽減する必要がある。 近年の腹腔鏡下多臓器分割研究は,クラス固有デコーダアーキテクチャによる構造特異的特徴の学習に焦点を合わせ,良好な結果を報告している。 この研究は、クロスサージカルドメインにおける知識共有を研究するために、デコーダにフォーカスしたアーキテクチャを拡張します。 直腸摘出術と胆嚢摘出術の2つの手術領域を表すデータセットを用いて,部分的な解剖学的表現の下での外科的概念的知識の伝達について検討した。 さらに、異なる訓練段階におけるエンコーダとデコーダの機能適応を比較し、ネットワークにおける知識適応と保持を分析する。 以上の結果から, 臓器特異的デコーダモデル (CEMD) は, クロスドメイン事前トレーニング後に完全に微調整され, 高いセグメンテーション性能 (62.4\% ダイス) を達成するとともに, スクラッチからのトレーニングよりもかなり高速に収束することを示した。 しかし, 外科的データにおけるクラス不均衡は, 転写学習が貧弱な解剖学的構造に対して完全には解決しないという永続的な課題であることがわかった。

関連論文リスト

• What to Preserve, Where to Adapt: A Depth-Wise Analysis of Forgetting in Continual Gynecological Image Segmentation [2.6187298376652364]
  本研究では, エンコーダとデコーダの異なる領域が, 連続的な婦人科領域分割において, セグメンテーション性能と忘れやすさにどのように影響するかを検討する。 アップデートがボトルネック対応のリージョンに制限された場合でも、忘れることはまだ限られていますが、より浅いエンコーダやデコーダがトレーニング可能になったら、急激に増加します。
  論文  参考訳（メタデータ） (2026-08-13T18:02:25Z)
• Surgical Foundation Model Leveraging Compression and Entropy Maximization for Image-Guided Surgical Assistance [50.486523249499115]
  低侵襲手術(MIS)におけるリアルタイム映像理解の重要性 手術ビデオからコンパクトで情報的表現を学習するための,新しい自己教師型フレームワークであるCompress-to-Explore (C2E)を提案する。 C2Eは、エントロピー最大化デコーダを使用して、臨床的に関連する詳細を保持しながら画像を圧縮し、ラベル付きデータなしでエンコーダのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-05-16T14:02:24Z)
• Data Augmentation for Surgical Scene Segmentation with Anatomy-Aware Diffusion Models [1.9085155846692308]
  アノテーションを用いた多段階手術データセットを生成するための多段階的アプローチを提案する。 本フレームワークは,二分節マスクを応用した臓器特異的モデルの訓練により,解剖学的意識の向上を図る。 この汎用的なアプローチにより、実際のバイナリデータセットとシミュレートされた手術マスクから、マルチクラスのデータセットを生成することができる。
  論文  参考訳（メタデータ） (2024-10-10T09:29:23Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
  臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。 我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-27T10:46:24Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。