論文の概要: Using Foundation Models as Pseudo-Label Generators for Pre-Clinical 4D Cardiac CT Segmentation

• arxiv url: http://arxiv.org/abs/2505.09564v1
• Date: Wed, 14 May 2025 17:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.541479
• Title: Using Foundation Models as Pseudo-Label Generators for Pre-Clinical 4D Cardiac CT Segmentation
• Title（参考訳）: Pseudo-Label ジェネレータとしてのファンデーションモデルの適用
• Authors: Anne-Marie Rickmann, Stephanie L. Thorn, Shawn S. Ahn, Supum Lee, Selen Uman, Taras Lysyy, Rachel Burns, Nicole Guerrera, Francis G. Spinale, Jason A. Burdick, Albert J. Sinusas, James S. Duncan,
• Abstract要約: ブタ心臓CTの正確な擬似ラベルを生成するための自己学習手法を提案する。 本手法では,手動でアノテートした豚のデータは必要とせず,セグメンテーションの品質を向上させるために反復的な更新に頼る。 今後,より高度な自己訓練戦略を取り入れたり,新たな基礎モデルや心臓イメージング技術を探求することで,改善の余地は残されている。
• 参考スコア（独自算出の注目度）: 5.4689325272353955
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cardiac image segmentation is an important step in many cardiac image analysis and modeling tasks such as motion tracking or simulations of cardiac mechanics. While deep learning has greatly advanced segmentation in clinical settings, there is limited work on pre-clinical imaging, notably in porcine models, which are often used due to their anatomical and physiological similarity to humans. However, differences between species create a domain shift that complicates direct model transfer from human to pig data. Recently, foundation models trained on large human datasets have shown promise for robust medical image segmentation; yet their applicability to porcine data remains largely unexplored. In this work, we investigate whether foundation models can generate sufficiently accurate pseudo-labels for pig cardiac CT and propose a simple self-training approach to iteratively refine these labels. Our method requires no manually annotated pig data, relying instead on iterative updates to improve segmentation quality. We demonstrate that this self-training process not only enhances segmentation accuracy but also smooths out temporal inconsistencies across consecutive frames. Although our results are encouraging, there remains room for improvement, for example by incorporating more sophisticated self-training strategies and by exploring additional foundation models and other cardiac imaging technologies.
• Abstract（参考訳）: 心臓画像のセグメンテーションは、運動追跡や心臓力学のシミュレーションなど、多くの心臓画像解析およびモデリングタスクにおいて重要なステップである。 深層学習は、臨床環境ではかなり高度なセグメンテーションを持っているが、特にブタのモデルでは、ヒトと解剖学的、生理学的に類似しているため、前臨床画像の研究は限られている。 しかし、種の違いは、ヒトからブタのデータへの直接的モデル転送を複雑にする領域シフトを生み出す。 近年、大規模な人間のデータセットでトレーニングされた基礎モデルは、堅牢な医用画像のセグメンテーションを約束している。 本研究は,ブタ心臓CTにおいて,基礎モデルが十分な精度の擬似ラベルを生成できるかどうかを考察し,これらのラベルを反復的に洗練するための簡単な自己学習手法を提案する。 本手法では,手動でアノテートした豚のデータは必要とせず,セグメンテーションの品質を向上させるために反復的な更新に頼る。 この自己学習プロセスは,セグメンテーションの精度を高めるだけでなく,連続フレーム間の時間的不整合を円滑にすることを示した。 今後,より高度な自己訓練戦略を取り入れたり,新たな基礎モデルや心臓イメージング技術を探求することで,改善の余地は残されている。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• SeqSeg: Learning Local Segments for Automatic Vascular Model Construction [2.4567747195551175]
  SeqSegは、画像ベースの血管モデルを構築するための、新しいディープラーニングベースの自動トレースとセグメンテーションアルゴリズムである。 SeqSegはより完全な血管を分断でき、トレーニングデータに注釈を付さない血管構造に一般化できることを示した。
  論文  参考訳（メタデータ） (2025-01-27T00:31:30Z)
• EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach [2.2851400085359685]
  心疾患の分類におけるEigenFacesアプローチの応用について検討した。 我々は、心エコー図法における固有顔アプローチから着想を得た前処理ステップを実行し、ポッドモードのセットを生成し、それを固有ハートと呼ぶ。 その結果,SVDを前処理に用いた場合,分類精度は約50%向上した。
  論文  参考訳（メタデータ） (2024-11-25T09:41:20Z)
• Real World Federated Learning with a Knowledge Distilled Transformer for Cardiac CT Imaging [25.98149779380328]
  今回,8つの病院にまたがる実環境において,これまでで最大の心電図解析を行った。 我々の2段階の半教師戦略は、タスク固有のCNNからの知識をトランスフォーマーに抽出する。 これにより予測精度が向上し、フェデレーション全体にわたる全ての部分ラベルの同時学習が可能になる。
  論文  参考訳（メタデータ） (2024-07-10T11:30:50Z)
• Certification of Deep Learning Models for Medical Image Segmentation [44.177565298565966]
  ランダムな平滑化と拡散モデルに基づく医用画像のための認定セグメンテーションベースラインを初めて提示する。 この結果から,拡散確率モデルをデノナイズするパワーを活用することで,ランダムな平滑化の限界を克服できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-05T16:40:33Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• SCOPE: Structural Continuity Preservation for Medical Image Segmentation [41.43063476894447]
  医用画像における解剖学的トポロジの連続性と接続性を向上させるグラフベースのアプローチを提案する。 本手法は, 形状の連続性をグラフ制約として符号化し, ネットワークの予測が連続性を維持することを保証する。
  論文  参考訳（メタデータ） (2023-04-28T00:11:35Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
  畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。 マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。 一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
  論文  参考訳（メタデータ） (2020-04-12T23:42:51Z)

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。