概要 - 任意の欠損モダリティを持つ多様な脳腫瘍セグメンテーションのためのセマンチックガイド付きマスク付き相互学習
タイトル
任意の欠損モダリティを持つ多様な脳腫瘍セグメンテーションのためのセマンチックガイド付きマスク付き相互学習
時間
2025-07-10 09:49:57
著者
{"Guoyan Liang","Qin Zhou","Jingyuan Chen","Bingcang Huang","Kai Chen","Lin Gu","Zhe Wang","Sai Wu","Chang Yao"}
カテゴリ
{stat.ME}
リンク
http://arxiv.org/abs/2507.07592v1
PDF リンク
http://arxiv.org/pdf/2507.07592v1
概要
この論文では、多様な画像モダリティが欠けている状況における多様な画像モダリティの脳腫瘍セグメンテーションのための新しいアプローチとして、セマンティックガイドドマスクド相互学習（SMML）を提案しています。これは、欠けているモダリティがセグメンテーション性能を大幅に低下させるため、臨床実践における重要な課題です。 SMMLフレームワークは、セグメントアニシングモデル（SAM）からの階層的一致制約（HCC）と補助的なセマンティック先頭情報を統合することで、この課題に対処しています。フレームワークは、各モダリティ固有のエンコーダとデコーダを持つ二つの学生ブランチで構成されています。トレーニング中、ブランチはHCCによって監督され、ブランチ間の多レベルの一致を確保します。これには、信頼性の高い知識を選択および交換するピクセルレベルの制約と、潜在特徴空間内の堅牢なサンプル間およびクラス間の関係知識を明らかにする特徴レベルの制約が含まれます。 各学生ブランチの識別能力をさらに向上させるために、精査ネットワークが統合されています。このネットワークはSAMからのセマンティック先頭情報を利用し、補助的な識別知識を捉えるマスクド相互学習戦略を効果的に補完する追加情報を提供します。 提案されたSMMLフレームワークは、三つの困難な脳腫瘍セグメンテーションデータセットで評価され、さまざまな欠けているモダリティ設定における最も優れた方法と比較して、顕著な改善が示されました。フレームワークは、すべての三つのデータセットおよび腫瘍カテゴリで最も優れた性能を達成し、BraTs 2018で1.4%、BraTs 2015で1.3%、BraTs 2020で1.7%の平均DSCスコアの向上を達成しました。 要約すると、SMMLフレームワークは、SAMからの階層的一致制約と補助的なセマンティック先頭情報を組み合わせることで、脳腫瘍セグメンテーションにおける欠けているモダリティの課題を効果的に解決しています。これにより、セグメンテーションの精度が大幅に向上し、臨床応用のための有望なアプローチとなります。
推奨論文
セキュリティテンソルとしてのクロスモーダルブリッジ：LVLMにおけるテキストアライドセキュリティを視覚に拡張
生成エネルギーアリーナ（GEA）：大規模言語モデル（LLM）の人間評価にエネルギー意識を組み込む
「高階Busy Beaver関数」という言葉を日本語に翻訳すると、「高次元ベジー関数」となります。ただし、この用語は日本語の技術文献や論文ではあまり使用されていないため、専門的な文献や論文のタイトルや抽象で見られるかもしれません。以下は一般的な翻訳例です： 高次元ベジー関数 あるいは、より詳細に説明する場合は： 高階の忙しいバーバー関数 「高次元」とは、関数の次数を指し、数学や計算機科学の分野で「次数」という言葉はよく使用されます。一方、「ベジー関数」は、テオレム・ベジーの名前をとって命名された関数で、特定の計算機の動作を表す関数です。
F&O満期対初日SIPs：インドのNifty 50における時期の利点の22年分析
CA-Cut: データ拡張のためのCrop-Aligned Cutout、より堅牢な冠下ナビゲーションを学ぶため
PRACtical：効率的なPRAC Rowhammer対策のためのサブアレイレベルのカウンタ更新とバンクレベルのリカバリ保護
任意の挑戦分布下での柔軟な刺穿可能暗号機能のコピー保護方法
エラskapitan上でのエクサスケール暗示的動的プラズマシミュレーション：磁圏物理学における微・宏观の連携を解決するため
PrompTrend：大規模言語モデルのための継続的なコミュニティ主導の脆弱性発見と評価
大規模言語モデルが評価でどの程度「嘘をつく」か？ Once-Pad-Based Frameworkの下でのベンチマークオーバーステイメントの評価