論文の概要: BruNet: A Cross-Domain Transfer Framework for Bruise Segmentation
- arxiv url: http://arxiv.org/abs/2609.11463v1
- Date: Thu, 10 Sep 2026 12:35:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.356725
- Title: BruNet: A Cross-Domain Transfer Framework for Bruise Segmentation
- Title（参考訳）: BruNet: ブルーズセグメンテーションのためのクロスドメイントランスファーフレームワーク
- Abstract要約: BruNetは、ViTベースのビジュアルエンコーダとSAMベースのマスクデコーダを組み合わせたセグメンテーションフレームワークである。
以上の結果から,BruNetはCNNベースモデル,最先端セグメンテーションモデル,ChatGPT-4o/5支援SAM2ゼロショットベースライン,医療指向MedSAMモデルよりも優れていた。
- 参考スコア（独自算出の注目度）: 10.185718085990775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting bruises is a challenging task in medical imaging due to limited data and annotations, diffuse boundaries, and highly variable appearance. In this work, we propose BruNet, a segmentation framework that combines a ViT-based visual encoder (a self-supervised DINOv3 or a pretrained LingBot-Vision backbone) with a SAM-based mask decoder. BruNet is trained on the HAM10000 skin lesion dataset and evaluated on a separate bruise dataset without additional fine-tuning. Although a small number of prior studies have explored machine learning and computer vision for bruise analysis, existing work has primarily focused on detection, classification, or colour analysis rather than pixel-level localisation. To the best of our knowledge, this is the first study to address automatic bruise segmentation. Our results show that BruNet outperforms CNN-based models, state-of-the-art segmentation models, ChatGPT-4o/5-assisted SAM2 zero-shot baselines, and the medical-oriented MedSAM model, demonstrating strong cross-domain generalisation to bruise segmentation.
- Abstract（参考訳）: セグメンテーションブレイズは、限られたデータとアノテーション、拡散境界、高度に変動した外観のために、医療画像において難しい課題である。
本稿では, ViT ベースの視覚エンコーダ (DINOv3 あるいは事前訓練した LingBot-Vision バックボーン) とSAM ベースのマスクデコーダを組み合わせたセグメンテーションフレームワーク BruNet を提案する。
BruNetは、HAM10000の皮膚病変データセットに基づいてトレーニングされ、追加の微調整なしで、別個のブルーズデータセットで評価される。
ブルーズ分析のための機械学習とコンピュータビジョンの研究は少ないが、既存の研究は主に画素レベルのローカライゼーションではなく、検出、分類、色分析に焦点を当てている。
我々の知る限りでは、この研究は、自動的ブラズセグメンテーションに対処する最初の研究である。
以上の結果から,BruNetはCNNベースモデル,最先端セグメンテーションモデル,ChatGPT-4o/5支援SAM2ゼロショットベースライン,医療指向のMedSAMモデルより優れており,セグメンテーションを損なうために強いクロスドメイン一般化を示す。
関連論文リスト
- NOCTIS: Novel Object Cyclic Threshold based Instance Segmentation [42.84923737757637]
新規オブジェクトサイクル閾値ベースインスタンス(NOCTIS)と呼ばれる新しいトレーニングフリーフレームワークを提案する。
NOCTISは2つの事前訓練されたモデルを統合する: Grounded-SAM 2 for object proposals with exact bounding box and corresponding segmentation masks; DINOv2 for robust class and patch embeddeds。
実験により,NOCTISはトレーニングや微調整を伴わずに,平均APスコアに関する最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2025-07-02T08:23:14Z) - BiSeg-SAM: Weakly-Supervised Post-Processing Framework for Boosting Binary Segmentation in Segment Anything Models [6.74659948545092]
BiSeg-SAMは、ポリープと皮膚病変の分節のための弱い制御されたプロンプトと境界の精製ネットワークである。
本手法は5つのポリプデータセットと1つの皮膚がんデータセットでテストした場合, 最先端(SOTA)法よりも有意な優位性を示した。
論文 参考訳（メタデータ） (2025-04-02T08:04:37Z) - MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。
3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文 参考訳（メタデータ） (2024-03-29T15:59:11Z) - Segment Anything Model-guided Collaborative Learning Network for
Scribble-supervised Polyp Segmentation [45.15517909664628]
ポリープのセグメンテーションは、初期におけるポリープの正確な位置決定に重要な役割を担っている。
診断中の医師によるポリープ画像に対するピクセルワイドアノテーションは、時間と費用の両方がかかる。
本稿では,スクリブル制御ポリプセグメンテーションのためのSAM誘導協調学習ネットワーク(SAM-CLNet)を提案する。
論文 参考訳（メタデータ） (2023-12-01T03:07:13Z) - Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation [7.747608350830482]
早期乳房超音波画像における病変の断片化を弱体化するための新しい枠組みを提案する。
本手法は,形態的拡張とクラスアクティベーションマップ(CAM)誘導局所化を用いた。
このアプローチはピクセルレベルのアノテーションを必要としないため、データアノテーションのコストが削減される。
論文 参考訳（メタデータ） (2023-11-18T22:06:04Z) - MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image
Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。
本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。
画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文 参考訳（メタデータ） (2023-09-16T02:41:53Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - 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) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - TricycleGAN: Unsupervised Image Synthesis and Segmentation Based on
Shape Priors [0.0]
本稿では,TricycleGANと呼ばれる,教師なし・半教師付き画像分割が可能な新しいネットワークアーキテクチャを提案する。
このアプローチでは、3つの生成モデルを用いて、中間ステップとしてエッジマップを用いて医療画像とセグメンテーションマップ間の翻訳を学習する。
腎超音波画像の臨床データセットとISIC 2018皮膚病変データセットのベンチマークを用いてTricycleGANを用いた実験を行った。
論文 参考訳（メタデータ） (2021-02-04T15:36:18Z) - 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) - DyStaB: Unsupervised Object Segmentation via Dynamic-Static
Bootstrapping [72.84991726271024]
我々は,コヒーレントなシーン全体を移動しているように見えるシーンの画像の一部を検出し,分割するための教師なしの手法について述べる。
提案手法はまず,セグメント間の相互情報を最小化することにより,運動場を分割する。
セグメントを使用してオブジェクトモデルを学習し、静的なイメージの検出に使用することができる。
論文 参考訳（メタデータ） (2020-08-16T22:05:13Z)
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。