論文の概要: VL-AcneSeg: A Vision-Language Framework for Region-Aware Acne Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2609.34472v1
- Date: Mon, 28 Sep 2026 07:27:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 13:16:30.157033
- Title: VL-AcneSeg: A Vision-Language Framework for Region-Aware Acne Lesion Segmentation
- Title（参考訳）: VL-AcneSeg: 領域認識型病変分割のためのビジョンランゲージフレームワーク
- Abstract要約: VL-AcneSeg, acne lesion segmentation のためのマルチモーダルフレームワークを提案する。
領域レベルのプロンプトにより、顔全体に病変を局在させることができる。
我々のフレームワークは、制御不能なスマートフォン画像でも確実に機能する。
- 参考スコア（独自算出の注目度）: 0.6833080291960667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acne assessment is crucial for clinical decision-making, yet traditional grading and counting are subjective and fail to account for lesion size. While area-based assessment has emerged as a promising alternative, acne segmentation has continued to rely on general-purpose architectures. To address this gap, we propose VL-AcneSeg, a multimodal framework for acne lesion segmentation that leverages CLIP and region-level text prompts to incorporate spatial priors, enabling lesions to be localized across the whole face. Because region-level prompts indicate which facial areas contain lesions, we report a single global prompt, which requires no such information, as our primary setting. On our internal clinical dataset, VL-AcneSeg achieves a Dice score of 0.5082 and an IoU of 0.3407 under this protocol, the highest among all compared methods, including recent vision-language segmentation methods that are themselves given region-level prompts; region-level prompting raises these to 0.5296 and 0.3602. Moreover, lesion area measurements derived from our segmentation correlate with IGA scores at a level comparable to expert annotations (Pearson r = 0.719 versus 0.658). Notably, our framework maintains consistent performance across external validation datasets, performing reliably even on uncontrolled smartphone images without requiring additional training or fine-tuning. By pairing a protocol that requires no lesion-location information with area-based severity estimation, this work provides a foundation for objective acne assessment outside the clinic. Our implementation is publicly available at: https://github.com/sukjuoh/VL-AcneSeg
- Abstract（参考訳）: アクエンアセスメントは臨床的意思決定には不可欠であるが、従来のグレーティングとカウントは主観的であり、病変の大きさを考慮できない。
地域ベースのアセスメントは有望な代替手段として現れてきたが、アクネセグメンテーションは汎用アーキテクチャに依存し続けている。
このギャップに対処するために、我々はCLIPと地域レベルのテキストプロンプトを活用するアクネ病変セグメンテーションのためのマルチモーダルフレームワークであるVL-AcneSegを提案する。
領域レベルのプロンプトは、どの顔面領域に病変があるかを示すため、一次設定のように、そのような情報を必要としない単一のグローバルプロンプトを報告します。
我々の内部臨床データセットでは、VL-AcneSegがDiceスコア0.5082、IoU0.3407を達成した。
さらに, セグメンテーションから得られた病変面積は, 専門家のアノテーションに匹敵するレベル(ピアソンr = 0.719 vs 0.658)のIGAスコアと相関した。
特に、我々のフレームワークは、外部の検証データセット間で一貫したパフォーマンスを維持し、追加のトレーニングや微調整を必要とせずに、制御されていないスマートフォンイメージでも確実に動作します。
本研究は, 地域別重症度推定と病変位置情報を必要としないプロトコルをペアリングすることにより, クリニック外における客観的アシネアセスメントの基礎を提供する。
私たちの実装は、https://github.com/sukjuoh/VL-AcneSegで公開されています。
関連論文リスト
- VCRE-Fib: View-Conditioned Regional Evidence for Fine-Grained Ultrasound Grading of Schistosoma japonicum-Associated Liver Fibrosis [31.459273589110982]
VCRE-Fibは、微細な超音波グレーディングのためのビューコンディショニングされた地域エビデンスフレームワークである。
空間プーリングの前に局所的なグルーピングの証拠を形成し、その凝集を誘導するために弱い局所化を使い、グローバルな予測と組み合わせる。
本手法は,35施設6,373例の超音波画像108,709枚の再計算コホートを用いて開発・評価した。
論文 参考訳（メタデータ） (2026-09-26T18:13:45Z) - A report-grounded vision-language foundation model for colonoscopy from 280000 routine reports [58.14965296904734]
EndoCLIPは125,756の病変レベルの画像テキストペアに基づいて訓練された視覚言語基盤モデルである。
これは、ゼロショットとリニアプローブの両方の設定において、汎用およびバイオメディカルな視覚言語エンコーダよりも優れている。
論文 参考訳（メタデータ） (2026-07-30T16:24:36Z) - SHOVIR: A Benchmark for Evaluating Vision Shortcut Learning in Radiology Report Generation [1.5782980044380892]
放射線診断におけるビジョン・ランゲージモデルに対する現在の評価プロトコルは、語彙重なりを計測するレポートレベルの指標や、総合的な臨床的正確性に依存している。
本稿では、RRGにおける視覚ショートカット動作を評価するためのベンチマークであるSHOVIRを紹介する。
論文 参考訳（メタデータ） (2026-06-29T12:17:35Z) - SkinCLIP-VL: Consistency-Aware Vision-Language Learning for Multimodal Skin Cancer Diagnosis [14.562880027342933]
SkinCLIP-VLは、皮膚がん診断の基礎モデルに適応する資源効率の高いフレームワークである。
冷凍CLIPエンコーダと軽量量子化Qwen2.5-VLをローランク適応(LoRA)により統合する。
論文 参考訳（メタデータ） (2026-03-22T02:07:45Z) - MedSAD-CLIP: Supervised CLIP with Token-Patch Cross-Attention for Medical Anomaly Detection and Segmentation [1.055294253870608]
医学的異常検出(MAD)とセグメンテーション(セグメンテーション)は臨床診断を補助する重要な役割を担っている。
最近のCLIPベースの研究は、ゼロ/フェーショット設定における異常検出を約束している。
現実的な臨床環境下でのMADに対するCLIPの適応について検討した。
論文 参考訳（メタデータ） (2026-03-18T03:37:44Z) - From Gaze to Insight: Bridging Human Visual Attention and Vision Language Model Explanation for Weakly-Supervised Medical Image Segmentation [48.45209969191245]
視覚言語モデル(VLM)は、テキスト記述を通して意味的コンテキストを提供するが、説明精度は欠如している。
本稿では,その補完的強みを活かし,視線と言語指導を統合した教師教育フレームワークを提案する。
本手法は,8.78%,80.53%,84.22%のDiceスコアをそれぞれ達成し,アノテーション負担を増大させることなく視線ベースラインよりも3.5%向上した。
論文 参考訳（メタデータ） (2025-04-15T16:32:15Z) - Improving Acne Image Grading with Label Distribution Smoothing [55.987107678168535]
難病の重症度評価には、典型的には病変数と世界的評価が含まれる。
画像グレーディングの有効な枠組みとしてラベル分布学習 (LDL) が提案されたが, その有効性は, 病変数を異なる重度尺度に割り当てる重度尺度によって阻害されている。
そこで本研究では,LCLとラベルスムースメントを組み合わせることで,重症度尺度情報を病変カウントに組み入れ,グローバルアセスメントから切り離すことを提案する。
論文 参考訳（メタデータ） (2024-03-01T04:02:48Z) - Automated Assessment of Critical View of Safety in Laparoscopic
Cholecystectomy [51.240181118593114]
胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。
LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。
本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-13T22:01:36Z) - Devil is in the Queries: Advancing Mask Transformers for Real-world
Medical Image Segmentation and Out-of-Distribution Localization [40.013449382899566]
信頼できる医療AIアルゴリズムは、臨床的に危険な損傷を避けるために、尾の条件でその効果を示すべきである。
我々は、意味的セグメンテーションをソフトクラスタ割り当てとして定式化するために、Mask Transformerにおけるオブジェクトクエリの概念を採用する。
本フレームワークは膵腫瘍と肝腫瘍の分節という2つの実世界の分節タスクでテストされる。
論文 参考訳（メタデータ） (2023-04-01T03:24:03Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z)
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。