論文の概要: Generalizable Pancreas Segmentation via a Dual Self-Supervised Learning Framework

• arxiv url: http://arxiv.org/abs/2505.07165v1
• Date: Mon, 12 May 2025 01:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.233303
• Title: Generalizable Pancreas Segmentation via a Dual Self-Supervised Learning Framework
• Title（参考訳）: Dual Self-Supervised Learning Frameworkによる汎化可能な膵分画
• Authors: Jun Li, Hongzhang Zhu, Tao Chen, Xiaohua Qian,
• Abstract要約: 本稿では,大域的・局所的な解剖学的文脈を取り入れた2つの自己教師型学習モデルを提案する。 本モデルは膵内および膵外領域の解剖学的特徴を完全に活用することを目的としている。
• 参考スコア（独自算出の注目度）: 12.055048332157588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, numerous pancreas segmentation methods have achieved promising performance on local single-source datasets. However, these methods don't adequately account for generalizability issues, and hence typically show limited performance and low stability on test data from other sources. Considering the limited availability of distinct data sources, we seek to improve the generalization performance of a pancreas segmentation model trained with a single-source dataset, i.e., the single source generalization task. In particular, we propose a dual self-supervised learning model that incorporates both global and local anatomical contexts. Our model aims to fully exploit the anatomical features of the intra-pancreatic and extra-pancreatic regions, and hence enhance the characterization of the high-uncertainty regions for more robust generalization. Specifically, we first construct a global-feature contrastive self-supervised learning module that is guided by the pancreatic spatial structure. This module obtains complete and consistent pancreatic features through promoting intra-class cohesion, and also extracts more discriminative features for differentiating between pancreatic and non-pancreatic tissues through maximizing inter-class separation. It mitigates the influence of surrounding tissue on the segmentation outcomes in high-uncertainty regions. Subsequently, a local-image restoration self-supervised learning module is introduced to further enhance the characterization of the high uncertainty regions. In this module, informative anatomical contexts are actually learned to recover randomly corrupted appearance patterns in those regions.
• Abstract（参考訳）: 近年,局所的な単一ソースデータセットにおいて,多くの膵分節法が有望な性能を達成している。 しかしながら、これらの手法は、一般化可能性の問題を適切に考慮していないため、典型的には、他のソースからのテストデータに対して、限られた性能と低い安定性を示す。 異なるデータソースの限られた可用性を考えると、単一ソースデータセットで訓練された膵分節モデルの一般化性能、すなわち単一ソースの一般化タスクの改善を目指す。 特に,大域的・局所的な解剖学的文脈を取り入れた2つの自己教師型学習モデルを提案する。 本モデルは膵内および膵外領域の解剖学的特徴を十分に活用することを目的としており, より堅牢な一般化のために, 高不確かさ領域の特性を高めることを目的としている。 具体的には,まず,膵空間構造をガイドするグローバルなコントラスト型自己教師型学習モジュールを構築した。 本発明のモジュールは、クラス内凝集を促進することにより、完全で一貫した膵機能を取得し、クラス間分離を最大化することにより膵組織と非膵組織を識別するためのより差別的な特徴を抽出する。 周囲の組織が高不確かさ領域のセグメンテーションの結果に与える影響を緩和する。 その後、局所画像復元自己教師学習モジュールを導入し、高い不確実性領域のキャラクタリゼーションをさらに強化する。 このモジュールでは、情報的解剖学的文脈が実際に学習され、これらの領域でランダムに破損した外観パターンが復元される。

関連論文リスト

• Advancing Generalizable Tumor Segmentation with Anomaly-Aware Open-Vocabulary Attention Maps and Frozen Foundation Diffusion Models [11.774375458215193]
  Generalizable tumorは、さまざまな解剖学的領域にまたがるゼロショット腫瘍セグメンテーションのための単一のモデルを訓練することを目的としている。 DiffuGTSはテキストプロンプトに基づいて、異常対応のオープン語彙アテンションマップを生成する。 4つのデータセットと7つの腫瘍カテゴリの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2025-05-05T16:05:37Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Large Language Model with Region-guided Referring and Grounding for CT Report Generation [4.804660464589285]
  既存の方法は主にボリューム全体のグローバルな特徴についてのみ考慮する。 我々は,CTレポート生成のための第1の領域誘導参照およびグラウンドディングフレームワークであるReg2RGを提案する。
  論文  参考訳（メタデータ） (2024-11-23T12:25:06Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Harmonized Spatial and Spectral Learning for Robust and Generalized Medical Image Segmentation [5.3590650005818254]
  我々は、中級特徴と文脈的長距離依存を捉えるためのモデル能力を改善するために、革新的なスペクトル相関係数の目的を導入する。 実験によると、UNetやTransUNetのような既存のアーキテクチャでこの目的を最適化することで、一般化、解釈可能性、ノイズの堅牢性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-18T20:43:43Z)
• TANGOS: Regularizing Tabular Neural Networks through Gradient Orthogonalization and Specialization [69.80141512683254]
  TANGOS(Tbular Neural Gradient Orthogonalization and gradient)を紹介する。 TANGOSは、潜在ユニット属性上に構築された表の設定を正規化するための新しいフレームワークである。 提案手法は,他の一般的な正規化手法よりも優れ,サンプル外一般化性能の向上につながることを実証する。
  論文  参考訳（メタデータ） (2023-03-09T18:57:13Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。