論文の概要: BAP-MOS: Bandit-Based Adaptive Prompting for Boundary-Sensitive Multi-Organ Segmentation

• arxiv url: http://arxiv.org/abs/2608.08191v1
• Date: Sat, 08 Aug 2026 15:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.717691
• Title: BAP-MOS: Bandit-Based Adaptive Prompting for Boundary-Sensitive Multi-Organ Segmentation
• Title（参考訳）: BAP-MOS: 境界感性多言語セグメンテーションのための帯域ベース適応プロンプト
• Abstract要約: 本稿では, 複数臓器の超音波セグメンテーションのためのクローズドループ適応プロンプトフレームワークを提案する。 BAP-MOSは、臓器特異的な多武装バンディット問題として、迅速な選択を定式化している。 前立腺領域TRUSコホートのプール化について検討した。
• 参考スコア（独自算出の注目度）: 3.905122478795955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-organ ultrasound segmentation remains challenging when anatomically adjacent structures must be delineated jointly, as localized boundary errors can persist even when Dice scores are high. To address these challenges, we propose Boundary-Adaptive Prompting for Multi-Organ Segmentation (BAP-MOS), a closed-loop adaptive prompting framework. BAP-MOS formulates prompt selection as an organ-specific multi-armed bandit problem over box, point, and combined prompts. An outer Tree-structured Parzen Estimator (TPE) loop selects the prompt-selection parameter vector, while an inner UCB-Tuned loop adapts per-organ prompt preferences during fine-tuning using a bounded Dice--MSD--HD95 validation-probe reward. The framework further introduces an organ-scaled negative prompt ring to adapt sparse prompt geometry across anatomical scales, while keeping the image and prompt encoders frozen and updating only the mask decoder. We evaluate BAP-MOS on pooled prostate-region TRUS cohorts against U-Net, nnU-Net, MedSAM, fixed-prompt SAM/MedSAM, and adaptive policy variants. On this benchmark, BAP-MOS achieves Dice 0.982, HD95 0.482, and MSD 0.204, reducing HD95 by approximately 48% and MSD by 45% relative to the strongest conventional baseline. To verify the generalization ability of the framework, we tested it on the external PFUS1 pelvic-floor ultrasound corpus using MedSAM and its adaptive strategy variants, and the results were good. These results support adaptive prompt allocation as an effective mechanism for improving boundary-sensitive multi-organ ultrasound segmentation without modifying the foundation-model backbone. Source Code is available at: https://github.com/SatvikPraveen/BAP-MOS
• Abstract（参考訳）: Diceスコアが高い場合でも、局所的な境界誤差が持続するので、解剖学的に隣接した構造を一緒にデライン化しなければならない場合、多臓器超音波のセグメンテーションは依然として困難である。 これらの課題に対処するため,我々は閉ループ適応促進フレームワークであるBAP-MOS(Bundary-Adaptive Prompting for Multi-Organ Segmentation)を提案する。 BAP-MOSは、ボックス、ポイント、複合プロンプト上での臓器特異的な多武装バンディット問題として、プロンプト選択を定式化している。 外部木構造型Parzen Estimator(TPE)ループはプロンプト選択パラメータベクトルを選択し、内部のCB-Tunedループは境界付きDice--MSD--HD95バリデーション-プローブ報酬を用いて微調整中に組織ごとのプロンプト嗜好に適応する。 さらに、組織スケールの負のプロンプトリングを導入し、解剖学的スケールにわたってスパースプロンプト幾何学を適応させ、画像を保持し、エンコーダを凍結させ、マスクデコーダのみを更新する。 U-Net,nnU-Net, MedSAM, fixed-prompt SAM/MedSAM, アダプティブポリシーバリアントに対する前立腺領域TRUSコホートに対するBAP-MOSの評価を行った。 このベンチマークでは、BAP-MOSはDice 0.982、HD95 0.482、MSD 0.204を達成し、HD95を48%、MSDを45%削減した。 MedSAMとその適応戦略変種を用いたPFUS1骨盤底超音波コーパスを用いて,フレームワークの一般化能力を検証した。 これらの結果は,基礎モデルのバックボーンを変更することなく,境界感応性多臓器超音波セグメンテーションを改善するための効果的なメカニズムとして,適応的なプロンプトアロケーションをサポートする。 Source Code は https://github.com/SatvikPraveen/BAP-MOS

関連論文リスト

• Average Rankings Mask Per-Subject Optimality: A Friedman-Nemenyi Benchmark of EEG Motor-Imagery BCI Decoders [0.0]
  1,056のデコード構成と340,000の主観レベルモデルを評価した。 すべてのモデルは、単一の参加者の1つのセッションで適合し、テストされます。 最も簡単な体制でも、単一のパイプラインが支配的になることはない。
  論文  参考訳（メタデータ） (2026-06-23T10:26:27Z)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• Enhancing MedSAM with a Lightweight Box Predictor for Medical Image Segmentation [1.1852406625172218]
  軽量なBox PredictorモジュールをMedSAMアーキテクチャに統合したセグメンテーションフレームワークを提案する。 Box Predictorは、ローカライズされたイメージ埋め込み機能を使用して、単一のユーザクリックから近似的なバウンディングボックスを推定する。 本手法は解剖学的構造と画像領域のセグメンテーション精度とロバスト性を改善する。
  論文  参考訳（メタデータ） (2026-06-03T10:34:15Z)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• XBusNet: Text-Guided Breast Ultrasound Segmentation via Multimodal Vision-Language Learning [0.0]
  XBusNetは、画像の特徴と臨床的な接地されたテキストを組み合わせた、新しいデュアルプロンプトでデュアルブランチのマルチモーダルモデルである。 5倍のクロスバリデーションを用いて,乳腺病変USG(BLU)データセット上で評価を行った。 小さな病変は最大の増加を示し、欠落した領域は少なく、急激な活性化は少ない。
  論文  参考訳（メタデータ） (2025-09-08T20:45:55Z)
• BiSeg-SAM: Weakly-Supervised Post-Processing Framework for Boosting Binary Segmentation in Segment Anything Models [6.74659948545092]
  BiSeg-SAMは、ポリープと皮膚病変の分節のための弱い制御されたプロンプトと境界の精製ネットワークである。 本手法は5つのポリプデータセットと1つの皮膚がんデータセットでテストした場合, 最先端(SOTA)法よりも有意な優位性を示した。
  論文  参考訳（メタデータ） (2025-04-02T08:04:37Z)
• 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)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T17:12:54Z)
• Batched Neural Bandits [107.5072688105936]
  BatchNeuralUCBはニューラルネットワークと楽観性を組み合わせ、探索と探索のトレードオフに対処する。 BatchNeuralUCBは、完全なシーケンシャルバージョンと同じ後悔を達成しつつ、ポリシー更新の数を大幅に減らしています。
  論文  参考訳（メタデータ） (2021-02-25T17:36:44Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。