論文の概要: Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2608.16377v1
• Date: Mon, 17 Aug 2026 10:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.63576
• Title: Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation
• Title（参考訳）: ストローク病変セグメンテーションにおけるアダプティブ後ドライブのインスタンスレベル検出
• Abstract要約: ISLES'26の投稿では、アーキテクチャ設計よりも後処理の方が、このギャップを埋めることがはるかに重要であることが分かりました。 本手法は各症例の病変の予測負荷に応じて部品サイズの閾値を調整する。 小型セグメンテーション用に設計された解像度対応アテンションアーキテクチャ(Viola2Plus)は、この区別が重要である理由を示している。
• 参考スコア（独自算出の注目度）: 0.9530026127073782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instance-level lesion detection has been an increasingly larger focal point in medical image segmentation besides the more standard voxel-level overlap. Still, most pipelines are trained and post-processed for voxel overlap alone. In particular, the mismatch is most pronounced for small lesions, where a near-miss prediction---substantial overlap that falls just short of the instance-matching threshold---scores the same as a complete miss. In our ISLES'26 submission, we found that closing this gap mattered far more in post-processing than in architecture design. Our Volume-Conditioned Adaptive Post-Processing (VCAP) scheme adjusts component-size thresholds to each case's predicted lesion burden, improving Lesion-F1 by 0.032 (unbiased cross-fold estimate)---approximately 6 times larger than any architectural change we tested. A resolution-aware attention architecture (Viola2Plus), designed for small-lesion segmentation, shows why the distinction matters: it left small-lesion Dice unchanged but raised small-lesion detection rate by 3.7\%, a real effect voxel-overlap metrics alone would have missed. Under 5-fold cross-validation on the 1,453-case training set, our post-processed two-architecture ensemble achieves Dice 0.651 and Lesion-F1 0.614, versus 0.644 and 0.573 for the unprocessed single-model baseline.
• Abstract（参考訳）: 症例レベルの病変検出は、より標準的なボクセルレベルの重複に加えて、医療画像のセグメンテーションにおいて焦点がますます大きくなっている。 それでも、ほとんどのパイプラインはトレーニングされ、ボクセルオーバーラップのために後処理される。 特に、ミスマッチは小さな病変に対して最も顕著で、ニアミス予測 -- インスタンスマッチングしきい値のちょうど下にある実質的なオーバーラップ -- は完全なミスと同じスコアである。 ISLES'26の投稿では、アーキテクチャ設計よりも後処理の方が、このギャップを埋めることがはるかに重要であることが分かりました。 我々のVCAP(Volume-Conditioned Adaptive Post-Processing)方式は,各症例の予測病変負担に対して,コンポーネントサイズ閾値を調整し,Lesion-F1を0.032倍(偏りのないクロスフォールド推定)で改善する。 分解能を意識した注意アーキテクチャ(Viola2Plus)は、小分割のセグメンテーションのために設計されたが、なぜこの区別が重要であるのかを示している。 1,453ケースのトレーニングセット上の5倍のクロスバリデーションの下では、処理後の2つのアーキテクチャアンサンブルがDice 0.651とLesion-F1 0.614を達成し、処理されていない単一モデルベースラインでは0.644と0.573である。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• 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)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
  YOLO26上に2つの軽量モジュールを組み込んだエンドツーエンド(NMSフリー)検出器であるYOLO26-RDを提案する。 我々はこの設計を7,618イメージのロードサーベイデータセット上でデータファースト監査する。 私たちの最高のスクリーニング設定は、バリデーションスプリットで0.787 mAP50に達します。
  論文  参考訳（メタデータ） (2026-08-16T12:36:12Z)
• Multi-Granularity 3D Kidney Lesion Characterization from CT Volumes [11.709061205652871]
  本研究は, 腎CTの特徴を病期ごとのセット・プレディション・タスクとして再検討する。 当科で788名の患者から2,619個のCTボリュームを採取した。 サイズ距離ハンガリーマッチングを用いたDETRスタイルアーキテクチャである textbfLesionDETR を提案する。
  論文  参考訳（メタデータ） (2026-06-03T02:28:57Z)
• Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures [0.0]
  マグニフィケーションシフトは、あるスケールで訓練されたモデルが、しばしば他のスケールにあまり一般化しないため、頑健な病理組織学分類の大きな障害である。 本研究では, 厳密な患者分離型Let-one-magnification-outプロトコルを用いて, BreaKHisデータセット上でこの問題を評価した。
  論文  参考訳（メタデータ） (2026-04-28T16:26:14Z)
• Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI [0.0]
  我々は,CATMILと呼ばれる統一目的関数を提案し,異なるレベルで動作する2つの補助的監督用語を用いて,ベースセグメンテーション損失を増大させる。 提案した目的を,一貫したnnU-Netフレームワークと5倍のクロスバリデーションを用いてMSLesSegデータセット上で評価する。 その結果, CATMILはセグメンテーション精度, 病変検出, エラー制御において最もバランスのとれた性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-09T09:15:10Z)
• Hybrid Gated Flow (HGF): Stabilizing 1.58-bit LLMs via Selective Low-Rank Correction [0.766310831583367]
  Hybrid Gated Flow (HGF) は1.58ビットの3進バックボーンと学習可能な低ランクのFP16修正パスを結合したデュアルストリームアーキテクチャである。 我々は,HGF 5.4 が BitNet の 1.0294 と比較して 0.9306 のバリデーション損失を達成し,純三次量子化と FP16 ベースライン間の品質ギャップの約55% を回復することを示した。
  論文  参考訳（メタデータ） (2026-02-05T03:47:17Z)
• When Distance Distracts: Representation Distance Bias in BT-Loss for Reward Models [55.444604697848426]
  リワードモデルは、RLHFのフレームワーク内のLarge Language Model (LLM)アライメントの中心である。 報酬モデリングで使用される標準的な目的はBradley-Terry(BT)損失であり、これは選択された2つの応答と拒否された応答からなるペアワイズデータから学習する。 適応型ペアワイド正規化方式であるNormBTを提案する。
  論文  参考訳（メタデータ） (2025-12-06T08:15:37Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Self-Supervised Contrastive Learning is Approximately Supervised Contrastive Learning [48.11265601808718]
  標準的な自己指導型コントラスト学習目標が暗黙的に教師付き変種を近似することを示し,我々は負のみ教師付きコントラスト学習損失(NSCL)と呼ぶ。 ラベルに依存しない,アーキテクチャに依存しない境界の下で,意味クラスの数が増えるにつれて,CLとNSCLの損失のギャップが消滅することを証明する。
  論文  参考訳（メタデータ） (2025-06-04T19:43:36Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)

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。