論文の概要: Enhancing Medical Lesion Segmentation via Several Simple Modules

• arxiv url: http://arxiv.org/abs/2610.41652v1
• Date: Fri, 30 Oct 2026 12:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.701804
• Title: Enhancing Medical Lesion Segmentation via Several Simple Modules
• Title（参考訳）: 簡易モジュールによる医療用病変分割の促進
• Abstract要約: 現在の手法では、まれな病態に対する高品質なアノテーションの欠如に苦慮している。 個別セグメンテーションタスクの独立した開発は、ドメイン間の方法論的革新を制限する。 微分可能な位相構造を最適化するために、DT-Morph Combined Loss with continuous space poolingを提案する。 第2に、3D Group Promptを導入し、体積マスクアライメントプロンプトによってドメイン・ユニバーサル知識を抽出する。
• 参考スコア（独自算出の注目度）: 5.733147185192226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces three lightweight enhancement modules for medical lesion segmentation to improve clinical applicability, particularly under data-scarce and computationally constrained environments. Current mainstream methods struggle with the lack of high-quality annotations for rare pathologies, which often leads to severe morphological distortions during inference, despite achieving seemingly ideal DSC scores. Furthermore, the isolated development of individual segmentation tasks restricts cross-domain methodological innovation, underscoring the need for leveraging shared knowledge across different lesions within the same anatomical region. However, constrained access to historical data and annotations hinders efficient knowledge extraction and triggers catastrophic forgetting when adapting to new classes. To address these challenges, we first propose DT-Morph Combined Loss with continuous spatial pooling to optimize differentiable topological structures and boundary continuity. Second, we introduce 3D Group Prompt, which extracts domain-universal knowledge via curated volumetric image-mask alignment prompts together with text prompts built on SAT baseline. Finally, we replace conventional output layers with Many-to-One Conditional Segmentation Head equipped with synonym-resolved routing, which brings negligible computational cost and enables fast incremental learning for new categories without sacrificing performance on old tasks. Ablation studies on abdominal and extra-abdominal datasets covering both organ and lesion segmentation verify the efficacy of our modules.
• Abstract（参考訳）: 本研究は, 臨床応用性, 特にデータスカース環境と計算制約環境において, 医療病変セグメンテーションのための3つの軽量拡張モジュールを導入する。 現在の主流の手法は、希少な病態に対する高品質なアノテーションの欠如に苦慮しており、しばしば、理想的なDSCスコアを達成しているにもかかわらず、推論中に深刻な形態的歪みを引き起こす。 さらに、個々のセグメンテーションタスクの独立した開発は、ドメイン間の方法論的革新を制限し、同じ解剖学的領域内の異なる病変間で共有知識を活用する必要性を浮き彫りにしている。 しかし、歴史的データやアノテーションへの制限されたアクセスは、効率的な知識抽出を妨げ、新しいクラスに適応する際に破滅的な忘れを招きかねない。 これらの課題に対処するため, DT-Morph Combined Loss with continuous space pooling to improve differentiable topological structure and boundary continuity。 第2に,SATベースライン上に構築されたテキストプロンプトとともに,拡張されたボリュームイメージマスクアライメントプロンプトを介して,ドメイン・ユニバーサル知識を抽出する3D Group Promptを導入する。 最後に,従来の出力層を多対一の条件付きセグメンテーションヘッドに置き換えることで,計算コストを低減し,従来のタスクのパフォーマンスを犠牲にすることなく,新たなカテゴリに対する高速なインクリメンタル学習を実現する。 臓器および病変の分節を包含する腹部および腹部外データセットのアブレーション研究は,本モジュールの有効性を検証した。

関連論文リスト

• Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
  CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。 本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-03T10:18:06Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• Revisiting 3D Medical Scribble Supervision: Benchmarking Beyond Cardiac Segmentation [1.2238508261277228]
  医用3Dセグメンテーションにおけるアノテーションコストの削減に期待できるアプローチとして,スクリブル・インスペクションが登場した。 本研究は,医用画像セグメンテーションのための,より実用的で堅牢で汎用的な手法を指向したスクリブル・インスペクションの実現を目的とする。
  論文  参考訳（メタデータ） (2024-03-19T15:41:16Z)
• GS-EMA: Integrating Gradient Surgery Exponential Moving Average with Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in Aneurysm Segmentation [41.97669338211682]
  勾配手術指数移動平均(GS-EMA)最適化手法と境界対応コントラスト学習(BACL)を利用した新しい領域一般化戦略を提案する。 我々のアプローチは、ドメイン不変の特徴を学習することで、新しい未確認領域に適応し、様々な臨床データセット間での動脈瘤セグメンテーションの堅牢性と正確性を向上させることができるという点で際立っている。
  論文  参考訳（メタデータ） (2024-02-23T10:02:15Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)
• 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。