論文の概要: WILLIE: A Unified Framework and Benchmark for Wound Classification, Segmentation, and Localization

• arxiv url: http://arxiv.org/abs/2610.05341v1
• Date: Sun, 04 Oct 2026 16:08:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:59:41.675897
• Title: WILLIE: A Unified Framework and Benchmark for Wound Classification, Segmentation, and Localization
• Title（参考訳）: WILLIE: ワーンド分類、セグメンテーション、ローカライゼーションのための統一フレームワークとベンチマーク
• Abstract要約: 慢性的な創傷管理は米国で8200万人以上の患者に影響を及ぼす。 WillIEは、創傷分類、セグメンテーション、ローカライゼーションのための統一されたフレームワークとベンチマークである。
• 参考スコア（独自算出の注目度）: 1.0964717927813825
• License:
• Abstract: Chronic wound management affects over 8.2 million patients in the United States and imposes substantial clinical and economic burden. Clinical wound assessment commonly involves three coupled tasks: identifying wound type, delineating wound boundaries, and localizing the wound region for measurement and monitoring. Despite this clinical coupling, existing machine learning approaches typically address wound classification, segmentation, and localization using separate models. We present WILLIE, a unified framework and benchmark for wound classification, segmentation and localization that enables systematic evaluation of multi-task wound analysis under a common protocol. WILLIE harmonizes three public wound datasets into a shared benchmark and compares unified models across three scaling configurations against 10 single-task baselines. The best model achieves 91.88% classification accuracy, 91.41% Dice, and 96.23% AP@0.5 while producing all three outputs in a single forward pass. Beyond aggregate performance, our results show that segmentation-derived localization outperforms dedicated detection baselines in this benchmark, suggesting that box-based localization may be unnecessary for spatially coherent wound targets. Our findings highlight that effective multi-task learning in healthcare imaging depends not only on shared representations, but also on task formulation, compatibility, and benchmark design.
• Abstract（参考訳）: 慢性的な創傷管理は米国で8200万人以上の患者に影響を与え、臨床と経済的にかなりの負担を課している。 クリニカル・ケイン・アセスメントは、一般的には、傷の種類を特定し、傷の境界を指示し、測定とモニタリングのために傷領域を位置づけする3つの複合的なタスクを含む。 この臨床的結合にもかかわらず、既存の機械学習アプローチは、通常、別々のモデルを使用して創傷分類、分節、局所化に対処する。 We present WILLIE, a unified framework and benchmark for wound classification, segmentation and localization which can enable system of multi-task wound analysis under a common protocol。 WILLIEは3つの公開創傷データセットを共有ベンチマークに調和させ、3つのスケーリング構成で統一されたモデルを10のシングルタスクベースラインと比較する。 最良のモデルでは、91.88%の分類精度、91.41%のDice、96.23%のAP@0.5が達成され、3つの出力を1回のフォワードパスで出力する。 以上の結果より, このベンチマークでは, セグメント化による局所化が専用の検出基準よりも優れており, ボックスベースでの局所化は空間的に整合性のある創傷標的に対して不要である可能性が示唆された。 医療画像における効果的なマルチタスク学習は、共有表現だけでなく、タスクの定式化、互換性、ベンチマーク設計にも依存している。

関連論文リスト

• 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)
• Beyond In-Distribution Metrics: A Systematic Out-of-Distribution Evaluation of Congenital Heart Disease Segmentation [0.0]
  CHDセグメンテーションにおけるアウト・オブ・ディストリビューションの一般化に関する最初の体系的評価について述べる。 我々は,CTとCMRの併用,CTのみの訓練,自己指導型事前訓練,ターゲットドメイン適応の限定による代表的セグメンテーションアーキテクチャの比較を行った。 分配性能はクロスコホートロバスト性の指標として不十分であることが証明されている。
  論文  参考訳（メタデータ） (2026-09-15T12:10:52Z)
• Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
  Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。 SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。 SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-04-25T14:09:11Z)
• Beyond the Basics: Leveraging Large Language Model for Fine-Grained Medical Entity Recognition [0.12189422792863447]
  詳細な医療機関認識のためのオープンソースのLLaMA3モデルを厳格に評価した。 ゼロショット、少数ショット、ローランド適応(LoRA)による微調整という3つの学習パラダイムを採用しました。 以上の結果から, 微調整のLLaMA3は, それぞれ63.11%, 35.63%のゼロショット, 少数ショットのアプローチを上回った。
  論文  参考訳（メタデータ） (2026-04-19T02:50:14Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• Unsupervised Local Discrimination for Medical Images [35.14445357879895]
  コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。 最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。 医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-21T04:53:19Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。