論文の概要: CGSM: Concept-Guided Segmentation Model for Precise Pulmonary Lesion Delineation

• arxiv url: http://arxiv.org/abs/2609.07004v2
• Date: Wed, 09 Sep 2026 03:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.350291
• Title: CGSM: Concept-Guided Segmentation Model for Precise Pulmonary Lesion Delineation
• Title（参考訳）: CGSM : 肺病変の精密記述のための概念誘導セグメンテーションモデル
• Authors: Changheng Lin, Wenjie Zhang, Yushan Lu, Xinyue Yan, Xiao Jia, Wei Zhang,
• Abstract要約: 既存のセグメンテーションアプローチは、しばしばタスク固有のセマンティックガイダンスを欠いている。 本稿では,概念をセグメンテーションプロセスに統合する概念ガイドモデルであるCGSMを提案する。 CGSMは最先端のパフォーマンスを実現し、QaTa-COV19データセットでは91.59%のDiceと84.49%のmIoUが得られた。
• 参考スコア（独自算出の注目度）: 6.123141229227133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of pulmonary lesions is essential for effective clinical diagnosis and treatment strategies. Existing segmentation approaches often lack task-specific semantic guidance, as text-based annotations typically offer coarse localization of lesions, leading to inadequate delineation of lesion boundaries and poor performance on small-scale lesions. To address this, we propose CGSM, a Concept-Guided Segmentation Model that integrates LLM-generated and clinically reviewed concepts into the segmentation process. Specifically, we design a Concept-Visual Alignment Module (CVAM) to activate relevant tokens within the concepts that align with visual features, enhancing the interaction between textual and visual information. In addition, we introduce a Concept Modulated Decoder (CM-Decoder), which uses concepts from CVAM as modulation signals to facilitate the adaptive fusion of image and text features, improving the segmentation accuracy. Extensive experiments on two public datasets show that CGSM achieves state-of-the-art performance, with results of 91.59% Dice and 84.49% mIoU on the QaTa-COV19 dataset, demonstrating its effectiveness in pulmonary lesion segmentation.
• Abstract（参考訳）: 肺病変の正確なセグメンテーションは、効果的な臨床診断と治療戦略に不可欠である。 既存のセグメンテーションアプローチはタスク固有の意味指導を欠くことが多く、テキストベースのアノテーションは典型的に病変の粗い局所化を提供し、病変の境界線が不適切になり、小さな病変のパフォーマンスが低下する。 そこで本研究では,LCM生成および臨床レビューされた概念をセグメンテーションプロセスに統合する概念ガイドセグメンテーションモデルであるCGSMを提案する。 具体的には,視覚的特徴に整合した概念内で関連するトークンを活性化し,テキスト情報と視覚情報との相互作用を高める概念-視覚アライメントモジュール(CVAM)を設計する。 さらに、CVAMの概念を変調信号として用い、画像とテキストの特徴を適応的に融合させ、セグメンテーション精度を向上させる概念変調デコーダ(CM-Decoder)を導入する。 2つの公開データセットに対する大規模な実験により、CGSMは91.59%のDiceと84.49%のmIoUをQaTa-COV19データセットで達成し、肺病変のセグメンテーションにおけるその効果を実証した。

関連論文リスト

• Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models [15.976622378615714]
  医用画像のセグメンテーションは臨床的な意思決定において重要な役割を担い、病変の正確な局所化と指導的介入を可能にする。 現在の説明手法は主に分類作業に重点を置いており、セグメンテーション領域は比較的過小評価されている。 本稿では、因果推論フレームワークを用いて、平均処理効果(ATE)を指標として、入力領域やネットワークコンポーネントが対象セグメンテーション領域に与える影響を推定するセグメンテーションタスクの説明モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-24T03:26:27Z)
• SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation [18.723160085156717]
  医用画像セグメンテーションのための効率的かつ適応的なフレームワークであるSegMoTEを提案する。 SegMoTEはSAMの本来のプロンプトインタフェース、効率的な推論、ゼロショットの一般化を保存している。 SegMoTEは、多様な画像モダリティと解剖学的タスクにわたってSOTA性能を達成する。
  論文  参考訳（メタデータ） (2026-02-22T14:48:42Z)
• 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)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Language-guided Scale-aware MedSegmentor for Lesion Segmentation in Medical Imaging [7.912408164613206]
  臨床的には、特定の病変の分節化は診断精度と治療効率を著しく向上させる。 本稿では,与えられたテキスト表現に基づいて,医療画像のターゲット病変をセグメント化する言語誘導型大規模メドセグメンタ(LSMS)を提案する。 我々のLSMSは、計算コストを大幅に下げて、常に優れた性能を実現しています。
  論文  参考訳（メタデータ） (2024-08-30T15:22:13Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。