論文の概要: GRASPing Anatomy to Improve Pathology Segmentation

• arxiv url: http://arxiv.org/abs/2508.03374v1
• Date: Tue, 05 Aug 2025 12:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.95507
• Title: GRASPing Anatomy to Improve Pathology Segmentation
• Title（参考訳）: GRASPing Anatomyによる病的セグメンテーションの改善
• Authors: Keyi Li, Alexander Jaus, Jens Kleesiek, Rainer Stiefelhagen,
• Abstract要約: 本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
• 参考スコア（独自算出の注目度）: 67.98147643529309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiologists rely on anatomical understanding to accurately delineate pathologies, yet most current deep learning approaches use pure pattern recognition and ignore the anatomical context in which pathologies develop. To narrow this gap, we introduce GRASP (Guided Representation Alignment for the Segmentation of Pathologies), a modular plug-and-play framework that enhances pathology segmentation models by leveraging existing anatomy segmentation models through pseudolabel integration and feature alignment. Unlike previous approaches that obtain anatomical knowledge via auxiliary training, GRASP integrates into standard pathology optimization regimes without retraining anatomical components. We evaluate GRASP on two PET/CT datasets, conduct systematic ablation studies, and investigate the framework's inner workings. We find that GRASP consistently achieves top rankings across multiple evaluation metrics and diverse architectures. The framework's dual anatomy injection strategy, combining anatomical pseudo-labels as input channels with transformer-guided anatomical feature fusion, effectively incorporates anatomical context.
• Abstract（参考訳）: 放射線学者は病理を正確に記述するために解剖学的理解に依存しているが、現在のディープラーニングのアプローチは純粋なパターン認識を使い、病理が発達する解剖学的文脈を無視している。 このギャップを狭めるために,我々は GRASP (Guided Representation Alignment for the Segmentation of Pathology) を紹介した。 補助的なトレーニングを通じて解剖学的知識を得る従来のアプローチとは異なり、GRASPは解剖学的コンポーネントを再訓練することなく、標準的な病理学的最適化体制に統合される。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。 GRASPは、複数の評価指標と多様なアーキテクチャのランキングを一貫して達成している。 このフレームワークの二重解剖学的注入戦略は、解剖学的擬似ラベルを入力チャネルとトランスフォーマー誘導解剖学的特徴融合を組み合わせたもので、解剖学的文脈を効果的に取り入れている。

関連論文リスト

• CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation [9.51662728609265]
  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。
  論文  参考訳（メタデータ） (2025-06-28T13:39:09Z)
• 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)
• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• Seeking Common Ground While Reserving Differences: Multiple Anatomy Collaborative Framework for Undersampled MRI Reconstruction [49.16058553281751]
  本稿では,解剖学的および解剖学的特化学習者による新しいMRI再構成フレームワークを提案する。 脳、膝、心臓のMRIデータセットの実験は、これらの学習者のうち3人が複数の解剖学的共同学習を通して再建性能を向上させることができることを示した。
  論文  参考訳（メタデータ） (2022-06-15T08:19:07Z)
• Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural Network for Thoracic Disease Classification [3.888080947524813]
  この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。 事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。 提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
  論文  参考訳（メタデータ） (2021-06-10T17:01:23Z)
• 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)
• Semi-supervised Pathology Segmentation with Disentangled Representations [10.834978793226444]
  本稿では,初めて共同で学習しようとする病理分類モデルである解剖-病理解離ネットワーク(APD-Net, Anatomy-Pathology Disentanglement Network)を提案する。 APD-Netは、アノテーションの少ない病理的セグメンテーションを実行し、異なる量の監視で性能を維持し、関連するディープラーニング手法より優れている。
  論文  参考訳（メタデータ） (2020-09-05T17:07:59Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。