論文の概要: GazeRefine: Expert Gaze as a Test-Time Prompt for Training-Free Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.01310v1
• Date: Tue, 01 Sep 2026 14:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.767446
• Title: GazeRefine: Expert Gaze as a Test-Time Prompt for Training-Free Medical Image Segmentation
• Title（参考訳）: GazeRefine: テストタイムのプロンプトとしてのエキスパートゲーズ
• Authors: Mohammed Oussama Benyahia, Marouane Tliba, Mohamed Amine Kerkouri, Taifour Yousra, Bin Wang, Max Bengtsson, Gorkem Durak, Elif Keles, Zuheng Ming, Marek Penhaker, Azeddine Beghdadi, Ulas Bagci, Aladine Chetouani,
• Abstract要約: GazeRefineは、ゼロショットの医用画像セグメンテーションのための推論時間プロンプトとして Gaze を利用した、トレーニング不要のフレームワークである。 本手法は視線アノテートポリープ分割と前立腺MRIのセグメンテーションについて検討した。
• 参考スコア（独自算出の注目度）: 14.144169203904829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation remains difficult to scale because high-performing methods typically rely on dense expert annotations and task-specific training. We introduce GazeRefine, a training-free framework that uses gaze as an inference-time prompt for zero-shot medical image segmentation. Sparse, duration-weighted fixations are converted into foreground and background priors that initialize semantic prototypes in frozen DINOv3 feature space. These prototypes are iteratively refined through foreground-background discrimination, feature-space affinity propagation, and anchoring to the initial gaze guidance, allowing segmentation to extend beyond directly fixated regions while limiting semantic drift. GazeRefine requires no segmentation masks, fine-tuning, adapters, prompt encoders, or gradient updates. We evaluate the method on gaze-annotated polyp segmentation and prostate MRI segmentation. The results show strong performance on colonoscopy images and competitive performance on prostate MRI, supporting gaze-guided prototype refinement as a promising approach for segmentation-label-efficient, human-in-the-loop medical image segmentation. Our tools and code can be found in the following repository: https://github.com/MohammedOussamaBEN/GazeRefine.git
• Abstract（参考訳）: 医用画像のセグメンテーションは、高いパフォーマンスの手法は一般的に、密集した専門家アノテーションやタスク固有の訓練に依存しているため、拡張が難しいままである。 GazeRefineは、ゼロショットの医用画像セグメンテーションのための推論時間プロンプトとして Gaze を利用した、トレーニング不要のフレームワークである。 凍結したDINOv3特徴空間のセマンティックプロトタイプを初期化する前景と背景の前景に、スパースで時間重み付けの固定が変換される。 これらのプロトタイプは、前景背景の識別、特徴空間親和性伝播、および初期視線誘導への固定により反復的に洗練され、セグメンテーションはセマンティックドリフトを制限しながら直接固定された領域を超えて拡張できる。 GazeRefineはセグメンテーションマスク、微調整、アダプタ、プロンプトエンコーダ、勾配更新を必要としない。 本手法は視線アノテートポリープ分割と前立腺MRIのセグメンテーションについて検討した。 その結果,前立腺MRIでは大腸内視鏡像が強く,前立腺MRIでは予後が向上し,視線誘導型プロトタイプの改良が望まれる。 私たちのツールとコードは以下のリポジトリで確認できます。

関連論文リスト

• ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation [1.8629748140948348]
  弱教師付きセマンティックセグメンテーションは、画像レベルのアノテーションから組織組織セグメンテーションを可能にする。 ProBAGは、データセット固有の視覚プロトタイプと、病理に整合したCONCHテキストプロトタイプを組み合わせたステージ1擬似マスクジェネレータである。 BCSS-WSSS と LUAD-HistoSeg の実験は、最近の WSSS アプローチよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-08-12T08:05:07Z)
• GenMask: Adapting DiT for Segmentation via Direct Mask Generation [81.54526445834294]
  間接的な適応の代わりに、セグメント化タスクは生成的な方法で直接訓練されるべきである、と我々は主張する。 分割のための極度のノイズレベルと画像生成のための中等度雑音を強調する二元マスクの時間ステップサンプリング戦略を導入する。 GenMaskは,RGB空間における色鮮やかな画像だけでなく,黒と白のセグメンテーションマスクを生成するためのDiTトレインである。
  論文  参考訳（メタデータ） (2026-03-25T03:52:05Z)
• 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)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• Weakly-supervised Medical Image Segmentation with Gaze Annotations [46.32764942078478]
  人間の観察パターンを明らかにする視線は、視覚タスクのソリューションにますます取り入れられている。 本稿では, 医用画像のセグメンテーションにおいて, 医用画像のセグメンテーションを集中的に管理する手法を提案する。 本研究では,複数のネットワークを識別的人間の注意から訓練する多層フレームワークを提案する。 医用セグメンテーションデータセットの拡張として,GazeMedSegと題する高品質な視線データセットをコントリビュートする。
  論文  参考訳（メタデータ） (2024-07-10T07:07:58Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• FixMatchSeg: Fixing FixMatch for Semi-Supervised Semantic Segmentation [0.24366811507669117]
  セマンティック・メディカル・イメージ・セグメンテーションのための改良されたディープラーニング手法が近年人気を集めている。 リソース制約のある設定では、多くの注釈付き画像を取得することは、主に専門家を必要とするため、非常に難しい。 本研究では,現在最先端の半教師付き分類手法であるFixMatchをセマンティックセグメンテーションタスクに適用し,FixMatchSegを導入する。
  論文  参考訳（メタデータ） (2022-07-31T09:14:52Z)
• Learning Whole-Slide Segmentation from Inexact and Incomplete Labels using Tissue Graphs [11.315178576537768]
  グラフを用いた弱教師付きセマンティックセグメンテーション手法であるSegGiniを提案する。 SegGiniセグメントは、組織マイクロアレイ(TMA)から全スライド画像(WSI)まで、任意かつ大規模な画像です。
  論文  参考訳（メタデータ） (2021-03-04T16:04:24Z)

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。