論文の概要: Bayesian-Optimized Superpixel-GrabCut for Traceable Optic Disc Segmentation

• arxiv url: http://arxiv.org/abs/2608.29196v1
• Date: Sat, 29 Aug 2026 11:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.873262
• Title: Bayesian-Optimized Superpixel-GrabCut for Traceable Optic Disc Segmentation
• Title（参考訳）: トレーサブル光学ディスクセグメンテーションのためのベイズ最適化スーパーピクセルグラブカット
• Abstract要約: 本稿では,全アルゴリズムでトレース可能で,トレーニング可能な光ディスク(OD)セグメンテーションパイプラインを提案する。 全ての処理段階にわたって明確な数学的透明性を維持することで、我々のフレームワークはブラックボックスアーキテクチャに代わる決定論的でトレーサブルな代替手段を提供する。
• 参考スコア（独自算出の注目度）: 1.2853186701496802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optic disc (OD) segmentation is essential for diagnosing ophthalmic pathologies from retinal fundus images. However, prevailing deep learning approaches operate as opaque black boxes, lacking the inference-stage mathematical traceability--a critical requirement for algorithmic auditing and failure analysis in clinical workflows. This paper presents a fully algorithmically traceable and trainable segmentation pipeline that jointly combines superpixel decomposition, hybrid brightness-proximity superpixel scoring, morphological regularization, iterative GrabCut refinement, and elliptical shape fitting. The hyperparameter optimization is formulated as an objective function and solved via Bayesian optimization to eliminate manual parameter tuning. A quantitative evaluation on the Drishti-GS dataset demonstrates that our method achieves a Dice coefficient of 0.9536, matching state-of-the-art performance. By maintaining explicit mathematical transparency across all processing stages, our framework offers a deterministic, traceable alternative to black-box architectures for medical review and debugging.
• Abstract（参考訳）: 網膜基底画像から眼疾患を診断するためには,光ディスク(OD)セグメンテーションが不可欠である。 しかし、一般的なディープラーニングアプローチは不透明なブラックボックスとして機能し、推論段階の数学的トレーサビリティが欠如している。 本稿では,超画素分解,ハイブリッド輝度-近接度超画素スコアリング,形態正規化,反復的なGrabCut精細化,楕円形状整合を併用した完全アルゴリズムトレーサブル・トレーニング可能なセグメンテーションパイプラインを提案する。 ハイパーパラメータ最適化は目的関数として定式化され、ベイズ最適化によって解決され、手動パラメータチューニングが不要となる。 Drishti-GSデータセットの定量的評価により,Dice係数が0.9536であることを示す。 全ての処理段階にわたって明確な数学的透明性を維持することによって、我々のフレームワークは、医療レビューとデバッグのためのブラックボックスアーキテクチャに代わる決定論的でトレーサブルな代替手段を提供する。

関連論文リスト

• Enhancing MRI Brain Tumor Edge Detection: A Hybrid Preprocessing Approach Utilizing CLAHE [0.0]
  磁気共鳴画像(MRI)における脳腫瘍の正確な境界線決定は重要な課題である。 従来のエッジ検出アルゴリズムは計算的に軽量で数学的に解釈可能であるが、しばしば浮腫の局所的境界の拡散を捉えることに失敗する。 これらの制限を克服するために,ハイブリッドなエッジ検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-27T22:30:32Z)
• Thinking in Scales: Accelerating Gigapixel Pathology Image Analysis via Adaptive Continuous Reasoning [52.41928980786654]
  スライド画像全体に対してトークン効率のよいスケール空間連続推論を可能にするPathCTMを提案する。 PathCTMは診断推論を動的逐次情報追跡として定式化する。 必要な画像パッチの数を95.95%削減し、推論時間を約95.62%短縮し、AUCを劣化せずに維持する。
  論文  参考訳（メタデータ） (2026-05-19T07:46:44Z)
• Center-Aware Detection with Swin-based Co-DETR Framework for Cervical Cytology [18.319893370102694]
  RIVACervical Cytology Challengeでは,トラックBで1位,トラックAで2位を獲得した。 当社のアプローチでは,Co-DINOフレームワークをSwin-Largeバックボーンに統合して,堅牢なマルチスケール特徴抽出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T14:18:42Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈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。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions [6.765624289092461]
  オプティカルコヒーレンス・トモグラフィー(OCT)スキャンにおける不確実性認識網膜層セグメンテーションの新しいアプローチを提案する。 本手法は、レベルセットを介して網膜層形状を効果的にパラメータ化する符号付き距離関数(SDF)を予測することにより、セグメンテーションを洗練する。 これにより、あいまいな入力、撮像ノイズ、信頼できないセグメンテーションが存在する場合でも、網膜層の堅牢な表現が保証される。
  論文  参考訳（メタデータ） (2024-12-06T10:44:11Z)
• LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation [0.0]
  ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。 深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。 LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
  論文  参考訳（メタデータ） (2023-09-10T09:03:53Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。