論文の概要: Lesion-Aware Attention for Mammography Segmentation with Heterogeneous Supervision

• arxiv url: http://arxiv.org/abs/2610.15612v1
• Date: Sun, 11 Oct 2026 13:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:35:44.189772
• Title: Lesion-Aware Attention for Mammography Segmentation with Heterogeneous Supervision
• Title（参考訳）: 不均一観察によるマンモグラフィ・セグメンテーションの病変認識
• Abstract要約: 混合スーパービジョン環境下で, 開語彙的マンモグラフィ病変のセグメンテーションについて検討した。 セグメンテーションデータと分類データから共同で学習する2分岐フレームワークを提案する。 複数のマンモグラフィーデータセットの実験により,提案手法は開語彙セグメンテーションベースラインを一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 11.684794737265754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lesion segmentation in mammography is important for computer-aided breast cancer diagnosis, but dense pixel-level annotations remain costly and limited. Existing public segmentation datasets usually cover only a small set of lesion types with manually delineated masks, whereas larger mammography datasets often provide only image-level diagnostic labels. This annotation mismatch makes it difficult to train segmentation models that can generalize to rare or weakly annotated lesion categories. To address this problem, we study open-vocabulary mammographic lesion segmentation under a mixed-supervision setting, where pixel-level masks are available for base lesion categories and image-level labels are available for a broader set of categories. We propose a two-branch framework that jointly learns from segmentation data and classification data. The segmentation branch learns lesion boundaries from annotated masks, while the classification branch introduces additional image-level semantic supervision. To better transfer image-level supervision to lesion-relevant regions, we further introduce a Lesion-wise Attentive Classifier that maintains category-specific feature prototypes and generates lesion-aware attention maps for foreground feature pooling. This design reduces the influence of background tissue and encourages more compact lesion representations. Experiments on multiple mammography datasets show that the proposed method consistently improves open-vocabulary segmentation baselines on both base and novel lesion categories, while reducing the gap to fully supervised models that require dense target-domain masks. Qualitative results further indicate that our method produces more complete lesion localization for small, low-contrast, and visually subtle mammographic findings.
• Abstract（参考訳）: マンモグラフィーの正確な病変分割は, コンピュータ支援による乳癌診断において重要であるが, 重度画素レベルのアノテーションは高価かつ限定的である。 既存のパブリックセグメンテーションデータセットは通常、手動でデライン化したマスクを持つ小さな病変のみをカバーするが、大きなマンモグラフィデータセットは画像レベルの診断ラベルのみを提供することが多い。 このアノテーションミスマッチは、稀または弱い注釈付き病変カテゴリに一般化できるセグメンテーションモデルのトレーニングを困難にする。 この問題に対処するため, 混合スーパービジョン設定下において, 画素レベルのマスクがベース病変のカテゴリに, 画像レベルのラベルがより広いカテゴリに利用可能となるオープンボキャブラリ・マンモグラフィー病変のセグメンテーションについて検討した。 セグメンテーションデータと分類データから共同で学習する2分岐フレームワークを提案する。 セグメンテーションブランチは注釈付きマスクから病変境界を学習し、分類ブランチは画像レベルのセマンティック監視を導入する。 病変関連領域への画像レベルの監督を向上するために,カテゴリ固有の特徴のプロトタイプを保守し,前景の特徴プーリングのための病変対応注意マップを生成する,病変関連注意分類器も導入した。 このデザインは、背景組織の影響を減らし、よりコンパクトな病変表現を促進する。 複数のマンモグラフィーデータセットを用いた実験により, 提案手法は, 密度の高いターゲットドメインマスクを必要とする完全教師付きモデルとのギャップを小さくしつつ, ベースおよび新規病変カテゴリの開語彙セグメンテーションベースラインを一貫して改善することを示した。 さらに,本法は,小,低コントラスト,視覚学的に微妙なマンモグラフィー所見に対して,より完全な病変の局在性を示すことが示唆された。

関連論文リスト

• SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images [6.139957222494142]
  カリキュラム学習にインスパイアされたシャッフルに基づくフィードバック学習手法を提案し,高品質な擬似セマンティック・セグメンテーションマスクを生成する。 実験の結果,提案手法は3つの異なるデータセットにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-17T07:33:54Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• 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)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。