論文の概要: EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation
- arxiv url: http://arxiv.org/abs/2608.07299v2
- Date: Tue, 11 Aug 2026 00:33:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 16:08:30.450552
- Title: EliSeg: Verified Target Construction for Report-Grounded Abnormality Segmentation
- Title（参考訳）: EliSeg: 報告を取り巻く異常セグメンテーションのための検証対象構築
- Abstract要約: 本研究は, 対象の適性, 濃度, 対マスク対応の発見をモデルが決定しなければならない, レポート基底の異常セグメンテーションについて検討する。
マスク生成とターゲット構築を統合したアトラル検証-修正フレームワークである textbfEliSeg を提案する。
EliSegは、事前に定義されたターゲットID、プロンプト、ポイント、バウンディングボックスを見つける必要はない。
- 参考スコア（独自算出の注目度）: 10.966565098819816
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiology reports describe clinical observations but do not specify executable segmentation targets. They may contain present, negated, prior,uncertain, or irrelevant findings, while multiple valid abnormalities may coexist. Existing segmentation methods largely bypass this ambiguity by receiving a target identity or spatial prompt before inference, which acts as a hidden target oracle. We study report-grounded abnormality segmentation, where a model must determine target eligibility, cardinality, and finding-to-mask correspondence directly from an unfiltered report before delineating the corresponding regions. We propose \textbf{EliSeg}, an atcor--verify--revise framework that integrates target construction with mask generation. A grammar-constrained Actor proposes target slots and masks, an independent text-only Verifier reconstructs the eligible finding inventory, and Revision selectively re-executes the shared Actor when their target structures disagree. EliSeg requires no predefined target identity, finding prompt, point, or bounding box. Experiments on MIMIC-CXR-ILS show that EliSeg consistently outperforms direct segmentation methods and extract-then-segment cascades across findings, while effectively suppressing masks for ineligible report mentions. Ablation studies confirm the complementary roles of verification and revision, and evaluation on CheXlocalize demonstrates effective transfer of the EliSeg to an external dataset.Code is available at https://github.com/Maybach-dream/EliSeg.
- Abstract（参考訳）: 放射線学報告は臨床観察を記述しているが、実行可能なセグメンテーションターゲットは特定していない。
それらは、存在、否定、先行、不確かさ、または無関係な発見を含んでいるが、複数の有効な異常は共存することがある。
既存のセグメンテーション手法は、推論の前に対象のアイデンティティや空間的なプロンプトを受け取り、その曖昧さを回避している。
そこで本研究では, 対象の適性, 濃度, マスク対応の判定を, 対象地域を規定する前に, 未フィルタリングのレポートから直接行う必要がある, レポート地上の異常セグメンテーションについて検討する。
本稿では,マスク生成とターゲット構築を統合したアトラル検証・修正フレームワークである‘textbf{EliSeg} を提案する。
文法制約のあるアクターはターゲットスロットとマスクを提案し、独立したテキストのみの検証器は該当する在庫を再構築し、Revisionはターゲット構造が一致しない場合に共有アクターを選択的に再実行する。
EliSegは、事前に定義されたターゲットID、プロンプト、ポイント、バウンディングボックスを見つける必要はない。
MIMIC-CXR-ILSの実験は、EliSegが直接セグメンテーション法と抽出セグメンションカスケードを一貫して上回り、無資格な報告のマスクを効果的に抑制していることを示している。
アブレーション研究は、検証とリビジョンの相補的な役割を確認し、CheXローカライズの評価は、EliSegを外部データセットに効果的に転送することを示し、コードはhttps://github.com/Maybach-dream/EliSegで公開されている。
関連論文リスト
- Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。
本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
論文 参考訳（メタデータ） (2026-08-15T13:19:25Z) - EditCLEVR: A Paired-Scene Intervention Benchmark for Compositional Faithfulness of Object-Centric Representations [0.0]
対象中心学習のためのペア・シーン介入ベンチマークであるEditCLEVRを紹介する。
それぞれの例には、同じオブジェクトインデックスとシーンレイアウトを持つ、前/後対のレンダリングが含まれている。
これには、既知の1つのオブジェクトに対する、正確に1つの既知の変更属性と、ドリフト測定のためのno-edit re-renderが含まれる。
論文 参考訳（メタデータ） (2026-07-19T16:11:43Z) - LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。
本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。
ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
論文 参考訳（メタデータ） (2024-10-17T07:47:41Z) - Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。
最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。
本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2024-10-09T15:02:28Z) - From Generalization to Precision: Exploring SAM for Tool Segmentation in
Surgical Environments [7.01085327371458]
セグメンテーションモデルでは, 汚損レベルの高い画像が大幅に過大評価され, 性能が低下する。
我々は,最高の単一マスクを予測として選択した場合のSAMの結果を分析するために,接地型ツールマスクを用いている。
本研究では,様々な強みの合成汚損データを用いて,Endovis18とEndovis17の計器セグメンテーションデータセットを解析した。
論文 参考訳（メタデータ） (2024-02-28T01:33:49Z) - See, Say, and Segment: Teaching LMMs to Overcome False Premises [67.36381001664635]
この課題を解決するために,LMMのカスケードと共同学習手法を提案する。
得られたモデルでは、画像中に物体が存在するかどうかを検知し、その物体が存在しないかをユーザに「例」し、最終的に、対象物のマスクを出力することで「分類」を行う。
論文 参考訳（メタデータ） (2023-12-13T18:58:04Z) - PWISeg: Point-based Weakly-supervised Instance Segmentation for Surgical
Instruments [27.89003436883652]
我々はPWISeg (Point-based Weakly-supervised Instance) という,弱制御型手術器具セグメンテーション手法を提案する。
PWISegは、特徴点とバウンディングボックスの関係をモデル化するために、ポイント・ツー・ボックスとポイント・ツー・マスクのブランチを備えたFCNベースのアーキテクチャを採用している。
そこで本研究では,キー・ツー・マスク・ブランチを駆動し,より正確なセグメンテーション予測を生成するキー・ピクセル・アソシエーション・ロスとキー・ピクセル・アソシエーション・ロスを提案する。
論文 参考訳（メタデータ） (2023-11-16T11:48:29Z) - UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。
現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。
本稿では, 高精度な異常マスクを生成する手法を提案する。
論文 参考訳（メタデータ） (2023-08-03T20:55:37Z) - SegTAD: Precise Temporal Action Detection via Semantic Segmentation [65.01826091117746]
意味的セグメンテーションの新しい視点で時間的行動検出のタスクを定式化する。
TADの1次元特性により、粗粒度検出アノテーションを細粒度セマンティックセマンティックアノテーションに無償で変換できる。
1Dセマンティックセグメンテーションネットワーク(1D-SSN)と提案検出ネットワーク(PDN)からなるエンドツーエンドフレームワークSegTADを提案する。
論文 参考訳（メタデータ） (2022-03-03T06:52:13Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-04-10T14:39:44Z)
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。