İçeriğe geç
CANLI 21 sa önce Replit Missions tanıtıldı: Hedefi ve bütçeyi siz belirleyin, ajan sürüsü çalışsın 21 sa önce WSJ: SEC, Jensen Huang’ın ayrılığının ardından Nvidia hakkında soruşturma başlattı 21 sa önce Microsoft Agent Framework PyPI paketi ele geçirildi: 1.26.1 ve 1.26.2 kimlik bilgisi çalıyor 21 sa önce Gemini Tasks ücretsiz oldu: Gemini artık arama yapıp alışveriş yapabiliyor 21 sa önce Microsoft Ignite 2026’da yedi MAI modeli tanıttı: MAI Code 2 ile ucuz kodlama hamlesi Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 19.11.2026
Bülten

arXiv 2611.23189 cs.CV

Genel Tıbbi Görüntü Segmentasyonu için Erişimle Artırılmış Düzeltme

Özgün başlık Retrieval-Augmented Correction for Generalist Medical Image Segmentation

  • Vincenzo Marcianò
  • Xiaoming Zhang
  • Michela Antonelli
  • Sebastien Ourselin
  • Maria A Zuluaga
ai/muhabir · özet metinden derlendi

Otomatik segmentasyon, tahmin edilen maskelerin daha sonra insan operatörler tarafından incelendiği ve düzeltildiği kantitatif görüntü tabanlı klinik iş akışlarında rutin olarak ilk adım olarak kullanılır. Artık yapısal hataların otomatik olarak düzeltilmesi şu anda tek seferde bir anatomiye yöneliktir, dolayısıyla eğitimli düzelticilerin sayısı segmentasyon hedeflerinin sayısına göre ölçeklenir. Doğrulanmış önceki vakalardan oluşan paylaşılan bir bilgi tabanından alınan bağlam altında bir giriş maskesini düzenleyen, erişimle zenginleştirilmiş bir arıtıcı olan GRACE'i sunuyoruz.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Otomatik segmentasyon, tahmin edilen maskelerin daha sonra insan operatörler tarafından incelendiği ve düzeltildiği kantitatif görüntü tabanlı klinik iş akışlarında rutin olarak ilk adım olarak kullanılır. Artık yapısal hataların otomatik olarak düzeltilmesi şu anda tek seferde bir anatomiye yöneliktir, dolayısıyla eğitimli düzelticilerin sayısı segmentasyon hedeflerinin sayısına göre ölçeklenir. Doğrulanmış önceki vakalardan oluşan paylaşılan bir bilgi tabanından alınan bağlam altında bir giriş maskesini düzenleyen, erişimle zenginleştirilmiş bir arıtıcı olan GRACE'i sunuyoruz. Arındırıcı, kompakt organları, boşlukları, dallanan damarları ve tümör lezyonlarını kapsayan çok organlı bir yapı üzerinde bir kez eğitilir. Uzatılmış veri kümesi aktarımı değerlendirmesinde, uzatılmış üç veri kümesi yalnızca eğitim verilerinden oluşturulmuş sabit bir bilgi tabanını sorgular. Ayrı bir anatomiyi dışarıda bırakma deneyi, parametresiz indeks uzantısını test eder: görülmeyen katı bir organın doğrulanmış vakaları bilgi tabanına girer ve arıtıcı donmuş halde kalır. Dondurulmuş bir multimodal kodlayıcı üzerindeki hafif, şekle duyarlı projeksiyon kafası, maskelerin şekil uyumuna benzerlik katan haritalar oluşturur, böylece bilgi tabanı, arıtıcının bir önceki şekil olarak kullanabileceği durumları döndürür. GRACE'i CT, MRI ve ultrasonu kapsayan 18 genel veri kümesi üzerinde, dokuz iyileştirme konfigürasyonu ve zayıf, orta ve güçlü çalışma rejimlerini kapsayan yedi yukarı akış segmentatörü kullanarak değerlendiriyoruz. Her değişikliği giriş maskesinin DSC'si ile rapor ediyoruz. Zayıf katmanda giriş DSC'si 0,386'dır ve GRACE'in toplamı +0,35 DSC'ye kadar çıkar. Güçlü bir segmentörde giriş DSC'si 0,932'dir ve ortalama değişim küçüktür. Eğitimde ve indekste yer almayan bir görüntüleme yöntemine geçiş kısmidir ve anatomiye bağlıdır ve açık bir araştırma yönü olarak kalır. Sonuçlarımız, geri alma koşullu iyileştirmenin, anatomiye özgü düzeltme modellerine pratik bir alternatif olduğunu göstermektedir. Kod: https://github.com/robustml-eurecom/grace

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Automated segmentation is routinely used as the first step in quantitative image-based clinical workflows, where predicted masks are subsequently reviewed and corrected by human operators. Automated correction of the residual structural errors is currently addressed one anatomy at a time, so the number of trained correctors scales with the number of segmentation targets. We present GRACE, a retrieval-augmented refiner that edits an input mask under context drawn from a shared knowledge base of verified prior cases. The refiner is trained once on a multi-organ corpus spanning compact organs, cavities, branching vessels, and tumour lesions. In the held-out dataset-transfer evaluation, three held-out datasets query a fixed knowledge base built from training data only. A separate leave-one-anatomy-out experiment tests parameter-free index extension: verified cases of an unseen solid organ enter the knowledge base, and the refiner stays frozen. A light shape-aware projection head on a frozen multimodal encoder maps embedding similarity to the shape agreement of the masks, so the knowledge base returns cases that the refiner can use as a shape prior. We evaluate GRACE on 18 public datasets spanning CT, MRI and ultrasound, using nine refinement configurations and seven upstream segmentors that span weak, mid, and strong operating regimes. We report each change with the DSC of its input mask. On the weak tier, the input DSC is 0.386 and GRACE adds up to +0.35 DSC. On a strong segmentor, the input DSC is 0.932 and the mean change is small. Transfer to an imaging modality that is absent from training and from the index is partial and depends on the anatomy, and remains an open research direction. Our results suggest retrieval-conditioned refinement is a practical alternative to anatomy-specific correction models. Code: https://github.com/robustml-eurecom/grace

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{marcian2026retrievalaugmented,
  title   = {Retrieval-Augmented Correction for Generalist Medical Image Segmentation},
  author  = {Vincenzo Marcianò and Xiaoming Zhang and Michela Antonelli and Sebastien Ourselin and Maria A Zuluaga},
  journal = {arXiv preprint arXiv:2611.23189},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.23189}
}
APA
Marcianò, V., Zhang, X., Antonelli, M., Ourselin, S., & Zuluaga, M. A. (2026). Genel Tıbbi Görüntü Segmentasyonu için Erişimle Artırılmış Düzeltme. arXiv. https://arxiv.org/abs/2611.23189
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.