論文の概要: BiCC: Bidirectional Connected-Component Loss for Instance-Aware Segmentation

• arxiv url: http://arxiv.org/abs/2609.30223v1
• Date: Thu, 24 Sep 2026 17:48:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.189729
• Title: BiCC: Bidirectional Connected-Component Loss for Instance-Aware Segmentation
• Title（参考訳）: BiCC: インスタンス対応セグメンテーションのための双方向接続コンポーネント損失
• Abstract要約: BiCCは、そのサイズに関係なく偽陽性成分を罰する。 これは4つのデータセットでDiceCEよりも有意に改善され、全5つのデータセットでBlob損失を発生させる。
• 参考スコア（独自算出の注目度）: 47.077412433327616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Common segmentation losses aggregate errors voxel-wise, so lesions influence the objective in proportion to their volume, giving small but clinically critical lesions disproportionately little weight. Instance-aware losses aim to address this mismatch by assigning each lesion its own term. However, blob loss and CC-DiceCE derive their regions solely from annotations, so false-positive components receive no instance-level term. This matters in computer-assisted review, where each false-positive component may require separate inspection, making precision and false-positive burden important alongside recall. We introduce the bidirectional connected-component loss (BiCC), which pairs annotation- and prediction-derived partitions to score predicted components on their own scale. By deriving instances from the predictions, this branch directly penalizes false-positive components regardless of their size. The balance parameter $α$ allows control over the lesion-wise precision-recall trade-off. Across five datasets with five-fold cross-validation using nnU-Net, BiCC outperforms CC-DiceCE in lesion-wise F1 on four datasets and blob loss on all five. It significantly improves over DiceCE on three datasets and matches it on two; CC-DiceCE instead loses up to 0.363 precision by favoring recall. Code is available at https://github.com/TIO-IKIM/BiCC-Loss.
• Abstract（参考訳）: 一般的なセグメンテーションの損失はボクセル単位の誤差を集約するので、病変はその体積に比例して目的に影響を及ぼし、小さいが臨床的に致命的な病変は極めて少ない。 インスタンス対応の損失は、各病変を自身の用語に割り当てることで、このミスマッチに対処することを目的としている。 しかし、ブロブ損失とCC-DiceCEはアノテーションのみに由来するため、偽陽性のコンポーネントはインスタンスレベルの用語を受け取らない。 これはコンピュータ支援によるレビューにおいて重要であり、各偽陽性コンポーネントは個別の検査を必要とし、精度と偽陽性の重荷をリコールと共に重要視する。 本稿では、アノテーションと予測から派生したパーティションをペアにして、予測されたコンポーネントをそれぞれのスケールで評価する双方向接続成分損失(BiCC)を提案する。 予測からインスタンスを導出することにより、このブランチは、そのサイズに関係なく、偽陽性のコンポーネントを直接ペナルティ化する。 バランスパラメータ$α$は、病変の正確さとリコールのトレードオフを制御できる。 nnU-Netを使用して5倍のクロスバリデーションを持つ5つのデータセットで、BiCCは4つのデータセットで障害性F1でCC-DiceCEを上回り、5つすべてでBlob損失を発生させる。 3つのデータセットでDiceCEを大幅に改善し、2つのデータセットでマッチする。 コードはhttps://github.com/TIO-IKIM/BiCC-Lossで入手できる。

関連論文リスト

• CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation [14.844162865265673]
  そこで我々は,不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングし,セグメント化ができない間に信頼度が変化するようにCARDを提案する。 心臓、前立腺、脳のMRIシフトによって、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
  論文  参考訳（メタデータ） (2026-08-26T07:23:08Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Component-Adaptive and Lesion-Level Supervision for Improved Small Structure Segmentation in Brain MRI [0.0]
  我々は,CATMILと呼ばれる統一目的関数を提案し,異なるレベルで動作する2つの補助的監督用語を用いて,ベースセグメンテーション損失を増大させる。 提案した目的を,一貫したnnU-Netフレームワークと5倍のクロスバリデーションを用いてMSLesSegデータセット上で評価する。 その結果, CATMILはセグメンテーション精度, 病変検出, エラー制御において最もバランスのとれた性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-09T09:15:10Z)
• Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation [64.7502063982282]
  本稿では,CC-Metricsフレームワークに基づく損失関数であるCC-DiceCEを紹介し,既存のブロブ損失と比較する。 その結果,CC-DiceCEの損失は検出(リコール)を増加させるが,セグメンテーション性能は低下しない。
  論文  参考訳（メタデータ） (2025-11-21T11:10:05Z)
• Self-Supervised Contrastive Learning is Approximately Supervised Contrastive Learning [48.11265601808718]
  標準的な自己指導型コントラスト学習目標が暗黙的に教師付き変種を近似することを示し,我々は負のみ教師付きコントラスト学習損失(NSCL)と呼ぶ。 ラベルに依存しない,アーキテクチャに依存しない境界の下で,意味クラスの数が増えるにつれて,CLとNSCLの損失のギャップが消滅することを証明する。
  論文  参考訳（メタデータ） (2025-06-04T19:43:36Z)
• Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
  部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。 本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
  論文  参考訳（メタデータ） (2023-01-23T15:52:12Z)
• blob loss: instance imbalance aware loss functions for semantic segmentation [6.2334511723202]
  本稿では,インスタンスレベルの検出基準を最大化することを目的とした,損失関数の新たなファミリーであるエンフェブロブ損失を提案する。 複雑な5つの3次元セマンティックセグメンテーションタスクにおいて,DSCに基づくエンフェブロブ損失を広範囲に評価した。
  論文  参考訳（メタデータ） (2022-05-17T10:13:27Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。