論文の概要: CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2506.22882v1
• Date: Sat, 28 Jun 2025 13:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.616159
• Title: CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation
• Title（参考訳）: CA-Diff:脳組織分節に対する共同解剖学拡散法
• Authors: Qilong Xing, Zikai Song, Yuteng Ye, Yuke Chen, Youjia Zhang, Na Feng, Junqing Yu, Wei Yang,
• Abstract要約: 共同拡散(英語: Collaborative Diffusion、CA-Diff)は、空間解剖学的特徴を統合し、セグメンテーションの精度を高めるフレームワークである。 距離場を補助解剖条件として導入し,グローバルな空間的コンテキストを提供する。 また、距離場と解剖学的構造との関係を洗練するために、一貫性損失を導入する。
• 参考スコア（独自算出の注目度）: 9.51662728609265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of brain structures from MRI is crucial for evaluating brain morphology, yet existing CNN and transformer-based methods struggle to delineate complex structures accurately. While current diffusion models have shown promise in image segmentation, they are inadequate when applied directly to brain MRI due to neglecting anatomical information. To address this, we propose Collaborative Anatomy Diffusion (CA-Diff), a framework integrating spatial anatomical features to enhance segmentation accuracy of the diffusion model. Specifically, we introduce distance field as an auxiliary anatomical condition to provide global spatial context, alongside a collaborative diffusion process to model its joint distribution with anatomical structures, enabling effective utilization of anatomical features for segmentation. Furthermore, we introduce a consistency loss to refine relationships between the distance field and anatomical structures and design a time adapted channel attention module to enhance the U-Net feature fusion procedure. Extensive experiments show that CA-Diff outperforms state-of-the-art (SOTA) methods.
• Abstract（参考訳）: MRIから脳構造を分離することは脳形態を評価する上で重要であるが、既存のCNNとトランスフォーマーベースの手法は複雑な構造を正確に記述するのに苦労している。 現在の拡散モデルはイメージセグメンテーションにおける有望性を示しているが、解剖学的情報を無視するため、直接脳MRIに適用しても不十分である。 そこで本研究では,空間解剖学的特徴を統合し,拡散モデルのセグメンテーション精度を高めるフレームワークであるコラボレーティブ解剖拡散(CA-Diff)を提案する。 具体的には,大域的な空間的文脈を提供するための補助的解剖条件として距離場を導入し,その結合分布を解剖学的構造とモデル化し,解剖学的特徴を効果的に活用する。 さらに,距離場と解剖学的構造との関係性を改善するための一貫性損失を導入し,U-Net特徴フュージョン手順を強化するための時間適応チャネルアテンションモジュールを設計する。 大規模な実験により、CA-Diffは最先端(SOTA)法より優れていることが示された。

関連論文リスト

• ATM-Net: Anatomy-Aware Text-Guided Multi-Modal Fusion for Fine-Grained Lumbar Spine Segmentation [38.04249138515548]
  ATM-Netは, 解剖学的, テキスト誘導, マルチモーダル融合機構を用いて, 腰椎部分構造のきめ細かなセグメンテーションを行う, 革新的なフレームワークである。 ATM-Net は SPIDER の 9.91 ピクセルの 79.39% と HD95 を達成し、競合する SpineParseNet をそれぞれ 8.31% と 4.14 ピクセルで上回っている。
  論文  参考訳（メタデータ） (2025-04-04T14:36:12Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
  臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。 我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-27T10:46:24Z)
• Brain Structure-Function Fusing Representation Learning using Adversarial Decomposed-VAE for Analyzing MCI [17.757114703434027]
  fMRI画像から融合表現を学習するために,新しい脳構造関数Fusing-Representation Learning (BSFL)モデルを提案する。 提案モデルは,軽度認知障害(MCI)の予測と解析において,他の競合手法よりも優れた性能を実現する。 このモデルは、統合された脳ネットワークを再構築し、MCIの変性過程中に異常な接続を予測するための潜在的なツールとなるかもしれない。
  論文  参考訳（メタデータ） (2023-05-23T11:19:02Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Statistical Shape Modeling of Biventricular Anatomy with Shared Boundaries [16.287876512923084]
  本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。 心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-06T15:54:37Z)
• 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。