要旨: 医療の専門家は、診断統計を得るために画像を手動でセグメントし、その結果得られた注釈を破棄することがしばしばあります。私たちは、この負担を軽減するためにセグメンテーションモデルを学習させることを目指しますが、保持された要約統計（例：注釈領域の面積）のみに制約されます。経験的な結果では、統計だけではこの課題に不十分であることが示唆されますが、関心領域内のいくつかの画素という弱い情報を追加すると、性能が大幅に向上します。私たちは、画像再構成の品質、要約統計との一致、予測された前景と弱い教師信号との重なりの項を組み合わせる新しい損失関数を用います。標準的な画像、超音波（乳がん）、およびコンピュータ断層撮影（CT）スキャン（腎腫瘍）のデータに関する実験により、本手法の有用性と可能性が示されます。
要約統計量と弱い教師信号を用いたセグメンテーション学習
arXiv cs.CV / 2026/5/6
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文では、医療分野での注釈が画素単位のラベルではなく、注目領域の面積などの限られた要約統計量のみ保持されている状況で、セグメンテーションモデルを学習する手法を提案しています。
- 要約統計量だけでは精度の高いセグメンテーションは難しい一方で、関心領域内のごく少数の画素による弱い教師信号を追加すると性能が大きく向上することを示しています。
- 提案法では、画像の再構成品質、要約統計量との一致、予測前景と弱い教師信号の重なりを同時に最適化する新しい損失関数を用います。
- 自然画像、超音波（乳がん）データ、CT（腎腫瘍）データの実験により、手作業の画素注釈への依存を下げつつ実用的なセグメンテーションが可能であることを示しています。
