論文の概要: Contrast-Invariant Self-supervised Segmentation for Quantitative Placental MRI

• arxiv url: http://arxiv.org/abs/2505.24739v2
• Date: Wed, 04 Jun 2025 19:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 14:14:43.143831
• Title: Contrast-Invariant Self-supervised Segmentation for Quantitative Placental MRI
• Title（参考訳）: 定量的胎盤MRIのためのコントラスト不変自己教師付きセグメンテーション
• Authors: Xinliu Zhong, Ruiying Liu, Emily S. Nichols, Xuzhe Zhang, Andrew F. Laine, Emma G. Duerden, Yun Wang,
• Abstract要約: マルチエコーT2*重み付きMRIにおける相補的情報を活用するコントラスト拡張セグメンテーションフレームワークを提案する。 本手法は, (i) ラベルなしマルチエコスライスを用いた自己教師付き事前学習のためのマスク付き自動符号化 (MAE) , (ii) 教師なしドメイン適応のためのマスク付き擬似ラベル化 (MPL) , (iii) 微細な特徴をグローバルな解剖学的文脈と整合させるグローバルな局所的コラボレーションとを統合した。 臨床用マルチエコープラテンタルMRIデータセットを用いた実験により, エコー時間および単一エコーおよびナイーブ核融合の効率良く一般化できることが判明した。
• 参考スコア（独自算出の注目度）: 4.905880741856885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate placental segmentation is essential for quantitative analysis of the placenta. However, this task is particularly challenging in T2*-weighted placental imaging due to: (1) weak and inconsistent boundary contrast across individual echoes; (2) the absence of manual ground truth annotations for all echo times; and (3) motion artifacts across echoes caused by fetal and maternal movement. In this work, we propose a contrast-augmented segmentation framework that leverages complementary information across multi-echo T2*-weighted MRI to learn robust, contrast-invariant representations. Our method integrates: (i) masked autoencoding (MAE) for self-supervised pretraining on unlabeled multi-echo slices; (ii) masked pseudo-labeling (MPL) for unsupervised domain adaptation across echo times; and (iii) global-local collaboration to align fine-grained features with global anatomical context. We further introduce a semantic matching loss to encourage representation consistency across echoes of the same subject. Experiments on a clinical multi-echo placental MRI dataset demonstrate that our approach generalizes effectively across echo times and outperforms both single-echo and naive fusion baselines. To our knowledge, this is the first work to systematically exploit multi-echo T2*-weighted MRI for placental segmentation.
• Abstract（参考訳）: 胎盤の定量的解析には正確な胎盤分割が不可欠である。 しかし,T2*強調胎盤画像では,(1)個々のエコー間の弱く不整合な境界コントラスト,(2)すべてのエコー時間に対する手動基底真理アノテーションの欠如,(3)胎児と母体の動きによるエコー間の運動アーティファクトなどにより,この課題は特に困難である。 本研究では,マルチエコT2*重み付きMRIにおける相補的情報を利用して,頑健でコントラスト不変な表現を学習するコントラスト拡張セグメンテーションフレームワークを提案する。 私たちの方法が統合されます。 一 無ラベルマルチエコスライスによる自己指導事前訓練のためのマスク付き自動符号化(MAE) 二 エコー時間における教師なしドメイン適応のための仮面擬似ラベル(MPL) (iii) 微細な特徴をグローバル解剖学的文脈と整合させるグローバル・ローカル・コラボレーション。 さらに、同じ主題のエコー間の表現整合性を促進する意味マッチング損失を導入する。 臨床用マルチエコープラテンタルMRIデータセットを用いた実験により, エコー時間で効果的に一般化し, 単一エコーおよびナイーブ核融合ベースラインより優れていることが示された。 我々の知る限り、これは胎盤分割のためのマルチエコーT2*強調MRIを体系的に活用する最初の試みである。

関連論文リスト

• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Task-oriented Uncertainty Collaborative Learning for Label-Efficient Brain Tumor Segmentation [6.722672686635773]
  マルチコントラストMRI(Multi-Contrast magnetic resonance imaging)は、脳腫瘍の分節化と診断において重要な役割を担っている。 既存の手法は、異なるコントラストをまたいだマルチレベル特異性知覚の課題に直面している。 マルチコントラストMRIセグメンテーションのためのタスク指向不確実性協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T18:44:53Z)
• Ultrasound Nodule Segmentation Using Asymmetric Learning with Simple Clinical Annotation [25.459627476201646]
  自動結節分割法における超音波診断から直接, 簡単なアスペクト比アノテーションを用いることを提案する。 アスペクト比アノテーションを2種類の擬似ラベルで拡張することにより、非対称学習フレームワークを開発する。 臨床的に収集した2つの超音波データセット(甲状腺と乳房)を用いた実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-23T09:07:04Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
  マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。 我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。 特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
  論文  参考訳（メタデータ） (2023-01-04T19:16:55Z)
• Placenta Segmentation in Ultrasound Imaging: Addressing Sources of Uncertainty and Limited Field-of-View [12.271784950642344]
  単一畳み込みニューラルネットワークにおける胎盤位置と意味的胎盤セグメンテーションの分類を組み合わせたマルチタスク学習手法を提案する。 提案手法では,マルチプローブ画像取得,画像融合,画像分割の3段階からなるマルチビューUS取得パイプラインを用いて,プレースンタのセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2022-06-29T16:18:55Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。