Fugu-MT 論文翻訳(概要): CLC-YOLO: A Compact Channel-Gated Prototype Network for Real-Time Leakage-Aware Breast Ultrasound Lesion Segmentation

論文の概要: CLC-YOLO: A Compact Channel-Gated Prototype Network for Real-Time Leakage-Aware Breast Ultrasound Lesion Segmentation

arxiv url: http://arxiv.org/abs/2609.31702v1
Date: Sat, 19 Sep 2026 12:22:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 13:38:00.370638
Title: CLC-YOLO: A Compact Channel-Gated Prototype Network for Real-Time Leakage-Aware Breast Ultrasound Lesion Segmentation
Title（参考訳）: CLC-YOLO: リアルタイム漏洩型乳房超音波病変分割のための小型チャネルゲート型プロトタイプネットワーク
Abstract要約: YOLO26セグメント化プロトタイプヘッドの小型化であるChannel Local Contrastを提案する。 BUS-BRA, BUS-UCLM, BUSI, BrEaSTでは1.68, 3.11, 1.12, 2.45ポイント増加した。
参考スコア（独自算出の注目度）: 0.41292255339309664
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reliable breast ultrasound lesion segmentation requires accurate boundaries and evaluation that prevents patients or duplicate images from crossing data splits. We propose Channel Local Contrast (CLC), a compact refinement of the YOLO26 segmentation prototype head. CLC adds a fixed local high-pass residual controlled by 64 zero-initialized, bounded channel gates. Baseline and CLC were compared in five matched folds on each of four breast ultrasound datasets. BUS-BRA used patient-disjoint outer tests with separate inner validation. BUS-UCLM and BrEaST used patient-grouped validation folds; BUSI used duplicate-component groups because patient identifiers are unavailable. Group-macro Dice increased by 1.68, 3.11, 1.12, and 2.45 percentage points on BUS-BRA, BUS-UCLM, BUSI, and BrEaST, respectively. Only the BUS-BRA paired 95% confidence interval excluded zero. CLC adds 64 parameters and 0.0049 giga floating-point operations (GFLOPs). At 640 pixels, single-T4, batch-one, 16-bit floating-point (FP16) TensorRT graph times were 2.1478 ms for CLC and 2.0512 ms for baseline, excluding preprocessing and postprocessing. CLC increased group-macro Dice across all four datasets with a measured T4 forward-pass overhead of 0.0966 ms. Code: https://github.com/mfazrinizar/CLC-YOLO
Abstract（参考訳）: 信頼性の高い乳房超音波病変のセグメンテーションには正確な境界と評価が必要であり、患者や重複画像が交差するデータを分割することを防ぐ。 YOLO26セグメント化プロトタイプヘッドの小型化であるChannel Local Contrast (CLC)を提案する。 CLCは、64のゼロ初期化、有界チャネルゲートによって制御される固定されたローカルなハイパス残差を付加する。 4例の乳房超音波データセットにおいて, ベースラインとCLCを一致5例に比較した。 BUS-BRAは内耳検査を別々に行った。 BUS-UCLM と BrEaST は患者グループによる検証を行い、BUSI は患者識別子が利用できないため重複成分群を使用した。 BUS-BRA, BUS-UCLM, BUSI, BrEaSTはそれぞれ1.68, 3.11, 1.12, 2.45ポイント増加した。 BUS-BRAは95%の信頼区間を除外した。 CLCには64のパラメータと0.0049ギガ浮動小数点演算(GFLOP)が追加されている。 640ピクセル、シングルT4、バッチ1、16ビット浮動小数点 (FP16) のテンソルRTグラフはCLCでは2.1478ms、ベースラインでは2.0512msであり、前処理や後処理は除いた。 CLCは、測定されたT4フォワードパスオーバーヘッドが0.0966 msの4つのデータセットすべてにわたってグループマクロDiceを増大させた。

関連論文リスト

VGG16-MCA UNet: Whole-Tumor Segmentation in 2D FLAIR MRI with Decoder-Side Channel Attention [0.0]
VGG16-MCA UNetは、ImageNetでトレーニングされたVGG16エンコーダとデコーダをペアリングするハイブリッドアーキテクチャである。 2つのパブリックパーティションから腫瘍陽性スライスを分離し, 2D, FLAIR-only, whole-tumor segmenterとして評価した。この方法では、BraTS 2020分割で95.10%、LGGで88.32%の合計ピクセルレベルDice(F1)が得られる。
論文参考訳（メタデータ） (2026-09-20T22:50:14Z)
Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文参考訳（メタデータ） (2026-09-16T15:34:21Z)
Subtraction-Based Tumor Segmentation and Lesion-Centered pCR Prediction for the MAMA-MIA Challenge [0.0]
我々は,MAMA-MIAチャレンジへのチームFMEの提出について述べる。原発性腫瘍の分節と病理学的完全反応の予測について検討した。 FMEは両部門で2位となった。
論文参考訳（メタデータ） (2026-08-29T09:23:45Z)
Zero-Shot Adaptation of Medical Vision Foundation Models for High-Frequency Micro-Ultrasound Prostate Segmentation [0.28675177318965045]
従来の超音波は、腺の正確な境界をぼかす。マイクロ超音波(29MHz)は解像度を3倍改善するが、外壁を隠蔽する密度の高い音響スペックルを導入している。監督された手法はコストがかかり、スキャナー全体の一般化が不十分である。我々は、このモダリティのための最初のゼロショットパイプラインを提示する: MedSAMは150万以上の医療画像で事前訓練されている。
論文参考訳（メタデータ） (2026-08-14T18:07:15Z)
Mapping CVEs to MITRE ATT&CK Techniques: A Curated Gold-Set Classifier and the Limits of LLM-Assisted Label Expansion [46.262619407930266]
我々は、専門家のMITRE Center for Threat-Informed Defense mappingsから1,207 CVEのキュレートされた金のデータセットにマルチラベル分類器をトレーニングする。その結果得られたモデルは、ゼロショットの埋め込み類似性のベースラインと比較して、おおよそdoubles recall@5である。次に,LLMによるラベリングが金のデータセットを拡張できるかどうかを検討する。
論文参考訳（メタデータ） (2026-07-28T10:59:04Z)
Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文参考訳（メタデータ） (2026-07-23T09:59:30Z)
Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文参考訳（メタデータ） (2026-06-11T09:55:57Z)
Frozen Foundation-Model Embeddings Discard Small-Lesion Signal in Chest Radiography: Implications for Pre-Deployment Evaluation [4.181595462856913]
我々は5つの凍結したViTと3つの大きなCXRコホートにわたるResNet-50アーキテクチャ制御を調査した。各模型は, 実際の病変に対して, 小型の摂動パネルと領域認識型境界箱成層プローブを用いて評価した。パネル上では、CLSの埋め込みはチャンスフロア(ROC曲線[AUC]0.500-0524の範囲)に置かれ、パッチ平均は、異色および細い細胞上のCRSと区別できない。 ChestX-Det10では、画像レベルのCLS分類はクラス内小逆数大を示した
論文参考訳（メタデータ） (2026-06-10T03:06:32Z)
A Controlled Audit of Pretraining Contamination in Public Medical Vision-Language Benchmarks [46.43161388634735]
医用視覚言語モデル(VLM)は、画像と質問応答ペアが何年も無料でダウンロードされている公開ベンチマークで評価される。 SLAKE-En,PathVQA,VQA-RAD,および4つの検出器ファミリを用いたOmniMedVQAミラーのオープンVLMを検査した。
論文参考訳（メタデータ） (2026-06-08T18:40:10Z)
CTSCAN: Evaluation Leakage in Chest CT Segmentation and a Reproducible Patient-Disjoint Benchmark [0.0]
CTSCANは再現可能な多ソース胸部CTベンチマークと研究スタックである。元のスライス-PNGワークフローは、列車、バリデーション、テスト間でほぼ完全なケース再利用を誘導する。修正されたベンチマークには、決定論的スプリットマニフェスト、明示的な弱いスーパービジョン制御、スクリプト化されたマルチシードプロトコルスイープ、再現可能なフィギュア生成が組み込まれている。
論文参考訳（メタデータ） (2026-04-16T22:26:31Z)
FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文参考訳（メタデータ） (2026-01-22T01:34:39Z)

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。