論文の概要: Peripheral prototypical contrastive loss for supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2611.02305v1
• Date: Sun, 01 Nov 2026 23:51:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:08:09.780823
• Title: Peripheral prototypical contrastive loss for supervised medical image segmentation
• Title（参考訳）: 監督的医用画像分割術における末梢原型的コントラスト損失の検討
• Abstract要約: 本稿では,PPC(Peripheral Prototypeal Contrastive)損失について紹介する。 PPC損失は、ノイズラベルのある条件下であっても、セグメンテーション性能を一貫して改善する。 プロトタイプ計算の局所領域を適応的に決定し,ロバスト性を高め,既存手法より優れた手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Robust segmentation of biomedical images remains challenging primarily due to ill-defined object boundaries. Although several loss functions have recently been proposed to enhance object boundary recognition, concerns remain about the susceptibility to unstable annotations resulting from boundary ambiguities. Here, we introduce the Peripheral Prototypical Contrastive (PPC) loss, which leverages prototypical contrastive learning to improve boundary recognition and enable stable training even under noisy annotation conditions. The PPC loss utilizes prototype features obtained from local regions near object boundaries, focusing specifically on ambiguous areas that have been challenging for existing approaches. Extensive experiments across multiple datasets demonstrated that the PPC loss consistently improve segmentation performance even under conditions with noisy labels. A newly proposed strategy, which adaptively determines the local region for prototype calculation, enhanced robustness and outperformed existing methods. Our findings indicate the potential of the PPC loss in facilitating scalable and reliable medical image segmentation, including the development of foundation models with imperfect annotations.
• Abstract（参考訳）: バイオメディカルイメージのロバストなセグメンテーションは、主に未定義のオブジェクト境界のために困難である。 近年、オブジェクト境界認識を強化するためにいくつかの損失関数が提案されているが、境界の曖昧さから生じる不安定なアノテーションへの感受性に関する懸念が残っている。 本稿では,PPC(Peripheral Prototypeal Contrastive)損失について紹介する。この損失は,PPC(Peripheral Prototypeal Contrastive)学習を利用して境界認識を改善し,ノイズの多いアノテーション条件下でも安定したトレーニングを可能にする。 PPCの損失は、オブジェクト境界付近の局所領域から得られたプロトタイプ機能を利用しており、既存のアプローチに挑戦してきたあいまいな領域に特化している。 複数のデータセットにわたる大規模な実験により、PPC損失はノイズラベルのある条件下でもセグメンテーション性能を一貫して改善することを示した。 プロトタイプ計算の局所領域を適応的に決定し,ロバスト性を高め,既存手法より優れた手法を提案する。 本研究は,不完全アノテーションを用いた基礎モデルの開発を含む,スケーラブルで信頼性の高い医用画像のセグメンテーションを促進する上でのPCC損失の可能性を示すものである。

関連論文リスト

• PCA-Enhanced Probabilistic U-Net for Effective Ambiguous Medical Image Segmentation [7.5103552839482175]
  新しいPCA拡張確率U-Net(PEP U-Net)について紹介する。 提案手法は, 後方ネットワークの次元削減を効果的に取り入れ, 冗長性を緩和し, 計算効率を向上させる。 従来の生成モデルと比較して,本手法は多様なセグメンテーション仮説を生成する能力を保っている。
  論文  参考訳（メタデータ） (2026-03-12T05:11:21Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• 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)

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。