arXiv:2510.24202v1 Announce Type: new 
Abstract: Accurate polyp and cardiac segmentation for early detection and treatment is essential for the diagnosis and treatment planning of cancer-like diseases. Traditional convolutional neural network (CNN) based models have represented limited generalizability, robustness, and inability to handle uncertainty, which affects the segmentation performance. To solve these problems, this paper introduces CLFSeg, an encoder-decoder based framework that aggregates the Fuzzy-Convolutional (FC) module leveraging convolutional layers and fuzzy logic. This module enhances the segmentation performance by identifying local and global features while minimizing the uncertainty, noise, and ambiguity in boundary regions, ensuring computing efficiency. In order to handle class imbalance problem while focusing on the areas of interest with tiny and boundary regions, binary cross-entropy (BCE) with dice loss is incorporated. Our proposed model exhibits exceptional performance on four publicly available datasets, including CVC-ColonDB, CVC-ClinicDB, EtisLaribPolypDB, and ACDC. Extensive experiments and visual studies show CLFSeg surpasses the existing SOTA performance and focuses on relevant regions of interest in anatomical structures. The proposed CLFSeg improves performance while ensuring computing efficiency, which makes it a potential solution for real-world medical diagnostic scenarios. Project page is available at https://visdomlab.github.io/CLFSeg/

تم تقديم إطار جديد يسمى CLFSeg لتحسين تقسيم الصور الطبية، وخاصة للكشف عن الأورام والاعتلالات القلبية. تتناول هذه الطريقة المبتكرة قيود الشبكات العصبية التلافيفية التقليدية، التي غالبًا ما تواجه صعوبة في التعميم وعدم اليقين. من خلال تحسين دقة التقسيم، يمكن أن يكون لـ CLFSeg تأثير كبير على التشخيص المبكر وتخطيط العلاج للأمراض الشبيهة بالسرطان، مما يجعله تقدمًا واعدًا في التكنولوجيا الطبية.

Se ha introducido un nuevo marco llamado CLFSeg para mejorar la segmentación de imágenes médicas, especialmente para la detección de pólipos y problemas cardíacos. Este enfoque innovador aborda las limitaciones de las redes neuronales convolucionales tradicionales, que a menudo luchan con la generalización y la incertidumbre. Al mejorar la precisión de la segmentación, CLFSeg podría tener un impacto significativo en el diagnóstico temprano y la planificación del tratamiento de enfermedades similares al cáncer, lo que lo convierte en un avance prometedor en la tecnología médica.

Un nouveau cadre appelé CLFSeg a été introduit pour améliorer la segmentation d'images médicales, en particulier pour la détection des polypes et des problèmes cardiaques. Cette approche innovante répond aux limites des réseaux de neurones convolutifs traditionnels, qui ont souvent du mal avec la généralisabilité et l'incertitude. En améliorant la précision de la segmentation, CLFSeg pourrait avoir un impact significatif sur le diagnostic précoce et la planification du traitement des maladies semblables au cancer, ce qui en fait une avancée prometteuse dans la technologie médicale.

A new framework called CLFSeg has been introduced to enhance medical image segmentation, particularly for polyp and cardiac detection. This innovative approach addresses the limitations of traditional convolutional neural networks, which often struggle with generalizability and uncertainty. By improving segmentation accuracy, CLFSeg could significantly impact early diagnosis and treatment planning for cancer-like diseases, making it a promising advancement in medical technology.

CLFSeg: A Fuzzy-Logic based Solution for Boundary Clarity and Uncertainty Reduction in Medical Image Segmentation

تم إجراء دراسة متعددة المراكز لتقييم مرونة واعتماد تخطيط العلاج الإشعاعي الآلي المدفوع بالذكاء الاصطناعي عبر أنواع مختلفة من السرطان، مما يبرز إمكانيات الذكاء الاصطناعي في تعزيز دقة وكفاءة العلاج. هذه الأبحاث، التي نُشرت في مجلة Nature — Machine Learning، تؤكد على التكامل المتزايد لتقنيات الذكاء الاصطناعي في علم الأورام.

Se ha llevado a cabo un estudio multicéntrico para evaluar la versatilidad y adopción de la planificación automatizada de radioterapia impulsada por IA en diversos tipos de cáncer, destacando el potencial de la inteligencia artificial para mejorar la precisión y eficiencia del tratamiento. Esta investigación, publicada en Nature — Machine Learning, subraya la creciente integración de tecnologías de IA en oncología.

Une étude multicentrique a été réalisée pour évaluer la polyvalence et l'adoption de la planification automatisée de radiothérapie pilotée par l'IA à travers différents types de cancer, mettant en lumière le potentiel de l'intelligence artificielle pour améliorer la précision et l'efficacité des traitements. Cette recherche, publiée dans Nature — Machine Learning, souligne l'intégration croissante des technologies d'IA en oncologie.

A multicenter study has been conducted to evaluate the versatility and adoption of AI-driven automated radiotherapy planning across various cancer types, highlighting the potential of artificial intelligence in enhancing treatment precision and efficiency. This research, published in Nature — Machine Learning, underscores the growing integration of AI technologies in oncology.

CLFSeg: A Fuzzy-Logic based Solution for Boundary Clarity and Uncertainty Reduction in Medical Image Segmentation

Was this article worth reading? Share it

LucidQuery AI

Attentive AI

Twofold Health

Blunge

Open Source Surveillance

Lenso.ai

Ready to build your own newsroom?