論文の概要: Skip priors and add graph-based anatomical information, for point-based Couinaud segmentation

• arxiv url: http://arxiv.org/abs/2508.01785v1
• Date: Sun, 03 Aug 2025 14:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.064518
• Title: Skip priors and add graph-based anatomical information, for point-based Couinaud segmentation
• Title（参考訳）: 点ベースCouinaudセグメンテーションのためのスキップ先行とグラフベース解剖情報の追加
• Authors: Xiaotong Zhang, Alexander Broersen, Gonnie CM van Erp, Silvia L. Pintea, Jouke Dijkstra,
• Abstract要約: 肝外科手術の術前計画はCT画像からのCouinaudセグメンテーションに依存している。 CTの体積を酸化するのではなく、3Dポイントベースで表現することで、CTの物理解像度を保存できるという利点がある。 そこで本研究では,肝血管構造を明示することなく,Couinaudセグメンテーションのポイントベース手法を提案する。
• 参考スコア（独自算出の注目度）: 44.706905779969404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The preoperative planning of liver surgery relies on Couinaud segmentation from computed tomography (CT) images, to reduce the risk of bleeding and guide the resection procedure. Using 3D point-based representations, rather than voxelizing the CT volume, has the benefit of preserving the physical resolution of the CT. However, point-based representations need prior knowledge of the liver vessel structure, which is time consuming to acquire. Here, we propose a point-based method for Couinaud segmentation, without explicitly providing the prior liver vessel structure. To allow the model to learn this anatomical liver vessel structure, we add a graph reasoning module on top of the point features. This adds implicit anatomical information to the model, by learning affinities across point neighborhoods. Our method is competitive on the MSD and LiTS public datasets in Dice coefficient and average surface distance scores compared to four pioneering point-based methods. Our code is available at https://github.com/ZhangXiaotong015/GrPn.
• Abstract（参考訳）: 肝外科手術の術前計画はCT画像からのCouinaudセグメンテーションに依存しており,出血のリスクを低減し,切除手順を案内する。 CTの体積を酸化するのではなく、3Dポイントベースで表現することで、CTの物理解像度を保存できるという利点がある。 しかし、ポイントベースの表現は、肝血管の構造に関する事前の知識を必要とする。 そこで本研究では,肝血管構造を明示することなく,Couinaudセグメンテーションのポイントベース手法を提案する。 この解剖学的肝血管構造をモデルで学べるように、点特徴の上にグラフ推論モジュールを追加します。 これは点近傍の親和性を学ぶことによって、モデルに暗黙的な解剖情報を追加する。 提案手法は,Dice係数および平均表面距離スコアのMSDおよびLiTS公開データセットに対して,先駆的な4つの手法と比較して競合する。 私たちのコードはhttps://github.com/ZhangXiaotong015/GrPnで利用可能です。

関連論文リスト

• Semantic Segmentation for Preoperative Planning in Transcatheter Aortic Valve Replacement [61.573750959726475]
  経カテーテル大動脈弁置換術(TAVR)の術前計画のための医療ガイドラインを考察し,セマンティックセグメンテーションモデルを用いて支援できる課題を同定する。 まず, 細粒度のTAVR関連擬似ラベルを, 粗粒度の解剖学的情報から抽出し, セグメンテーションモデルを訓練し, スキャンでこれらの構造がどれだけよく見つかるかを定量化する。
  論文  参考訳（メタデータ） (2025-07-22T13:24:45Z)
• Cardiovascular disease classification using radiomics and geometric features from cardiac CT [14.254217534681997]
  CVD分類パイプラインを, (i) 画像分割, (ii) 画像登録, (iii) 下流CVD分類の3つのコンポーネントに分割した。 具体的には、Atlas-ISTNフレームワークと最近のセグメンテーション基礎モデルを用いて、解剖学的構造セグメンテーションと規範的健全なアトラスを生成する。 ASOCAデータセットを用いた実験により,これらの特徴を生CT画像を直接トレーニングした分類モデル(67.50%)と比較すると,CVD分類精度(87.50%)が向上することが示された。
  論文  参考訳（メタデータ） (2025-06-27T13:43:05Z)
• 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)
• CTARR: A fast and robust method for identifying anatomical regions on CT images via atlas registration [0.09130220606101362]
  我々はCT解剖学的領域認識のための新しい汎用手法であるCTARRを紹介する。 この方法は、ディープラーニングベースのCT画像解析パイプラインの事前処理ステップとして機能する。 提案手法は, アトラス登録に基づいて, 無ラベルCTスキャンから1つまたは複数の境界ボックスとして符号化された解剖学的領域を抽出する高速かつ堅牢な方法を提供する。
  論文  参考訳（メタデータ） (2024-10-03T08:52:21Z)
• Cascaded multitask U-Net using topological loss for vessel segmentation and centerline extraction [2.264332709661011]
  本稿では,血管骨格をセグメント化から直接計算するU-Netによるソフトスケルトンアルゴリズムの置き換えを提案する。 セグメンテーション中にトポロジ的制約を埋め込むために、clDice損失をトレーニングしたカスケードU-Netをこのネットワーク上に構築する。
  論文  参考訳（メタデータ） (2023-07-21T14:12:28Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Using the Order of Tomographic Slices as a Prior for Neural Networks Pre-Training [1.1470070927586016]
  ボリュームの代わりにスライス上でSortingLossを事前学習する手法を提案する。 ボリュームではなくスライスで事前トレーニングを行うので、スライスのスパースセットでモデルを微調整することができる。 提案手法はSimCLRと同等に動作し、2倍高速に動作し、1.5倍少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-03-17T14:58:15Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。