論文の概要: LUTSeg: A Longitudinal Multi-Expert Dataset for Ulcer Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2608.25866v1
• Date: Wed, 26 Aug 2026 14:39:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.86626
• Title: LUTSeg: A Longitudinal Multi-Expert Dataset for Ulcer Tissue Segmentation
• Title（参考訳）: LUTSeg: 潰瘍組織分節に対する経時的マルチエキスパートデータセット
• Authors: Karen Sanchez, Carlos Hinojosa, Albert A. Ávila, Andrea C. Riano-Rojas, Diego H. Romero, Jenny C. Páez, Martina Llinás, Bernard Ghanem,
• Abstract要約: 創傷組織組成の定量化は慢性潰瘍の進行をモニタリングし、治療決定を導くのに不可欠である。 創部マスクを装着した39例141例の慢性潰瘍データセットLUTSegと5名の専門医がアノテートした5種類の組織分類について紹介した。 教師-学生アーキテクチャ内の凍結医療ビジョン言語モデルから,マルチスケールのセマンティクスを組み込んだ半教師付き組織セマンティクスフレームワークTiSageを提案する。
• 参考スコア（独自算出の注目度）: 37.740722264328205
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantifying wound tissue composition is essential for monitoring chronic ulcer progression and guiding treatment decisions. However, pixel-level annotations are costly, and multi-tissue wound datasets remain scarce, particularly for neglected diseases such as leprosy. We introduce LUTSeg, a longitudinal chronic ulcer dataset comprising 141 images from 39 patients with wound masks and five tissue categories annotated by five expert clinicians, including a multi-expert gold-standard subset for inter-rater agreement analysis. To establish an initial benchmark for LUTSeg, we further propose TiSage, a semi-supervised tissue segmentation framework that integrates multi-scale semantic priors from a frozen medical vision-language model within a teacher-student architecture. We evaluate TiSage on LUTSeg and DFUTissue, showing improvements over supervised and semi-supervised baselines in most low-label settings. Code & data: https://github.com/carlosh93/TiSage
• Abstract（参考訳）: 創傷組織組成の定量化は慢性潰瘍の進行をモニタリングし、治療決定を導くのに不可欠である。 しかし、ピクセルレベルのアノテーションは高価であり、特にハンセン病などの軽度の疾患に対して、マルチタスクの創傷データセットは乏しいままである。 創部マスクを装着した39例141例の慢性潰瘍データセットLUTSegと5名の専門医がアノテートした5種類の組織分類について紹介した。 LUTSegの初期ベンチマークを確立するために,教師-学生アーキテクチャ内の凍結医療ビジョン言語モデルから,マルチスケールのセマンティック先行情報を統合する半教師付き組織セグメンテーションフレームワークTiSageを提案する。 LUTSeg と DFUT Issue 上で TiSage の評価を行い,低ラベル環境下での教師付きベースラインと半教師付きベースラインの改善を示した。 コードとデータ:https://github.com/carlosh93/TiSage

関連論文リスト

• Hierarchy-Aware and Anatomy-Guided Learning for Lung Ultrasound Video Classification [2.347521278352654]
  肺超音波 (LUS) は、心不全や腎機能障害によるリスクのある患者の肺浮腫を評価するためのベッドサイドツールである。 階層型学習と解剖学誘導学習の2つのコンポーネントを探索する多クラスLUSビデオ分類のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-20T04:55:28Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• DermoGPT: Open Weights and Open Data for Morphology-Grounded Dermatological Reasoning MLLMs [54.8829900010621]
  MLLM (Multimodal Large Language Models) は、医学的応用を約束するが、限られたトレーニングデータ、狭いタスクカバレッジ、臨床現場での監督の欠如により、皮膚科の遅れが進行する。 これらのギャップに対処するための包括的なフレームワークを提示します。 まず,211,243のイメージと72,675のトラジェクトリを5つのタスク形式に分けた大規模形態素解析コーパスであるDermo Instructを紹介する。 第二にDermoBenchは、4つの臨床軸(形態学、診断、推論、フェアネス)にまたがる11のタスクを評価する厳密なベンチマークで、3600の挑戦的なサブセットを含む。
  論文  参考訳（メタデータ） (2026-01-05T07:55:36Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset [24.094836682245006]
  頭蓋内出血 (ICH) は頭蓋内出血や脳内出血を特徴とする病態である。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクにも応用されている。 既存の公開ICHデータセットは、マルチクラスセグメンテーション問題をサポートしない。
  論文  参考訳（メタデータ） (2023-08-22T09:20:55Z)
• Superresolution and Segmentation of OCT scans using Multi-Stage adversarial Guided Attention Training [18.056525121226862]
  我々は,OCTスキャンを高分解能セグメンテーションラベルに変換する多段階・多識別型生成逆数ネットワーク(MultiSDGAN)を提案する。 我々は,MultiSDGANアーキテクチャに対して,チャネルと空間的注意の様々な組み合わせを評価し,比較し,より強力な特徴マップを抽出する。 その結果,Dice係数とSSIMでは21.44%,19.45%の相対的な改善が見られた。
  論文  参考訳（メタデータ） (2022-06-10T00:26:55Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。