論文の概要: Hyperparameter-Free Boundary-Interior t-vMF Dice Loss for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.32266v1
• Date: Fri, 23 Oct 2026 07:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.419527
• Title: Hyperparameter-Free Boundary-Interior t-vMF Dice Loss for Medical Image Segmentation
• Title（参考訳）: 医用画像分割用ハイパーパラメータフリー境界面内t-vMF損失
• Abstract要約: 解剖学的境界付近のクラス不均衡とエラーは、医用画像セグメンテーションの課題として残っている。 自己調整境界対応t-vMFDice Lossを提案する。 この関数は、形状適応パラメータをチューニングすることなく、境界領域と内部領域に別々に適応する。
• 参考スコア（独自算出の注目度）: 20.7405249370601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Class imbalance and errors near anatomical boundaries remain challenges in medical image segmentation, motivating loss functions that account for these difficulties. Adaptive t-vMF Dice Loss adjusts the similarity function during training but requires hyperparameter tuning. We propose Self-Tuned Boundary-Aware t-vMF Dice Loss (STB-tvMF Dice), which adapts the function separately for boundary and interior regions without tuning shape-adaptation parameters. Each region's shape parameter of t-vMF function is determined from its mean prediction-target cosine similarity in the preceding epoch and remains fixed throughout the current epoch. This rule maximizes the slope of the similarity function at the observed mean similarity, providing a principled basis for adaptation without validation-based parameter selection. Experiments on three datasets and architectures demonstrated its effectiveness. On Synapse with U-Net, STB-tvMF Dice achieved a mean DSC of 70.75%, compared with 63.03% for Adaptive t-vMF Dice Loss. Our code will be available soon.
• Abstract（参考訳）: 解剖学的境界付近のクラス不均衡とエラーは、これらの困難を考慮に入れた損失関数を動機付ける医療画像分割の課題のままである。 Adaptive t-vMF Dice Lossはトレーニング中に類似機能を調整しますが、ハイパーパラメータチューニングが必要です。 本稿では, 形状適応パラメータを調整せずに, 境界領域と内部領域に個別に適応する自己調整境界対応t-vMF Dice Loss (STB-tvMF Dice)を提案する。 t-vMF関数の各領域の形状パラメータは、前回のエポックにおける平均的予測目標コサイン類似性から決定され、現在のエポックを通して固定される。 この規則は、観測された平均的類似度における類似関数の傾きを最大化し、検証に基づくパラメータ選択を伴わない適応の原則的基礎を与える。 3つのデータセットとアーキテクチャの実験は、その効果を実証した。 U-NetでのSynapseでは、STB-tvMF Diceは、Adaptive t-vMF Dice Lossの63.03%に対して、平均DSCは70.75%に達した。 私たちのコードはまもなく利用可能になります。

関連論文リスト

• Modeling Uncertainty Propagation in 3D Morphable Models [93.10045817677042]
  本研究では,3次元形態素モデルのパラメータ空間の分散を頂点ごとの分散にマッピングする問題について検討する。 我々はこの制限を閉形式局所不確実性推定で解決する。 CLUEは3DMMのパラメータ空間分布を閉形式近似により頂点ごとに変換する。
  論文  参考訳（メタデータ） (2026-10-17T11:48:00Z)
• Visual Anchoring in Diffusion: Multimodal Zero-Shot Skeleton Action Recognition [4.970910262474302]
  Zero-shot Skeleton Action Recognition (ZSAR) は、見えない動作が類似した骨格関節ダイナミクスを共有するが、オブジェクトやシーンコンテキストが異なる場合、あいまいなままである。 既存のマルチモーダルメソッドは通常、独立したスケルトンとRGBスコアリングブランチを保持し、出力を融合する。 骨格データ再構成時に安定した視覚的アンカーとして機能する非拡散RGB条件トークンを用いたテキスト条件記述型変換器を提案する。
  論文  参考訳（メタデータ） (2026-08-05T09:28:00Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• Adaptive Split-MMD Training for Small-Sample Cross-Dataset P300 EEG Classification [12.103074826558531]
  データセット間のシフトは、大きなソースデータセットで小さなターゲットセットを増やそうとするときに発生する。 適応分割最大値離散化学習(AS-MMD)を紹介する。 AS-MMDは、ターゲット重み付き損失とソース/ターゲットサイズ比の平方根に結びついたウォームアップを組み合わせる。 目標のみのトレーニングやプールトレーニングよりも優れています。
  論文  参考訳（メタデータ） (2025-10-24T18:48:21Z)
• APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction [16.82777427285544]
  点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。 本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
  論文  参考訳（メタデータ） (2025-09-09T19:31:06Z)
• Test-time Adaptation for Foundation Medical Segmentation Model without Parametric Updates [27.933665582178115]
  基礎医療セグメンテーションモデルは、MedSAMが最も人気があり、臓器や病変をまたいで有望なパフォーマンスを実現している。 MedSAMは、複雑な構造と外観を持つ特定の病変に対する妥協されたパフォーマンスと、バウンディングボックスのプロンプトによる摂動に悩まされている。 本稿では,分布近似型潜在条件付きランダム場損失とエントロピー最小化損失を併用して,後続予測確率の因子化条件付き確率を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-02T03:03:34Z)
• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)

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。