概要 - 自己監督によるインスタンス適応原型学習を通じて医療画像分断を進める

タイトル

自己監督によるインスタンス適応原型学習を通じて医療画像分断を進める

時間

2025-07-10 10:04:03

著者

{"Guoyan Liang","Qin Zhou","Jingyuan Chen","Zhe Wang","Chang Yao"}

カテゴリ

{stat.ME}

リンク
http://arxiv.org/abs/2507.07602v1

PDF リンク
http://arxiv.org/pdf/2507.07602v1

概要

論文「Advancing Medical Image Segmentation via Self-supervised Instance-adaptive Prototype Learning」は、自己学習型インスタンス適応プロトタイプ学習（SIPL）と呼ばれる、医学画像分割のための新しいアプローチを提案しています。この方法は、既存のプロトタイプに基づく分割技術の限界を克服し、特に各入力のサンプルの多様性とクラス内の変化を捉えることに注目しています。 SIPLは、医学画像分割のためのインスタンス適応プロトタイプを学習する新しいフレームワークを導入しています。これは、各クラスの共通とインスタンス固有の視覚パターンを捉えるために、一般的なプロトタイプ提案（CPP）とインスタンス固有のプロトタイプ提案（IPP）の組み合わせです。クラス内の変化に対応するために、自己学習型マスク生成モジュール（SMG）が提案されており、信頼度スコアを用いてIPPの生成を指導する仮マスクを階層的に生成します。 SMGモジュールは、ピクセルデコーダから得たマルチスケール特徴からクエリエンブレムを生成するトランスフォーマーデコーダを使用しています。自己学習型フィルタリング戦略が導入されており、クエリエンブレムの学習中に前景ピクセルを優先し、潜在的な背景バイアスを軽減します。また、信頼度スコアの精度を向上させるために、補助損失が導入されています。論文は、BTCV、Lungs、BraTSの3つの難しい医学画像分割タスクにおける広範な実験を示しています。結果は、Dice Similarity Coefficient（DSC）という分割性能の一般的な指標において、SIPLが最も優れた方法を上回ると示しています。要約すると、SIPL方法の主要な貢献は以下の通りです： 1. 医学画像分割におけるインスタンス適応プロトタイプの学習のための新しいフレームワーク。 2. クラス内の変化を考慮し、インスタンス固有のプロトタイプ提案の生成を指導する自己学習型マスク生成モジュール。 3. 既存の最も優れた方法と比較して、難しい医学画像分割タスクにおける優れた性能。

推奨論文

非离散領域を超えた近似SMT計数

4T2R X-ReRAM CiMアレイ、変動容認型、低消費電力、大規模並列MAC操作用

プログラム可能な仮想人間による人間の生理学的な薬物発見への進展

TyDi QA-WANA: 西アと北アフリカの言語における情報探索型質問応答のための基準

5Gにおけるアクティブ攻撃耐性：認証とキー合意の新しいアプローチ

サイエンスが危機に直面している：データ操作と誤情報の時代における長期の生態学的および進化研究に対する組織的なサポートの緊急な必要性

「提案的帰納における断面説明の複雑さ」

CUDA-L1: 対比強化学習を通じてCUDA最適化を向上させる

時砂並べ：新しい並列ソートアルゴリズムとその実装

惑星の大気圏と月の磁気圏の相互作用による位相空間同期