論文の概要: JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation
- arxiv url: http://arxiv.org/abs/2508.03997v1
- Date: Wed, 06 Aug 2025 01:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.489695
- Title: JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation
- Title（参考訳）: JanusNet: 半監督型3次元マルチオーガンセグメンテーションのための階層型スライスブロックシャッフルと変位
- Authors: Zheng Zhang, Tianzhuzi Tan, Guanchun Yin, Bo Zhang, Xiuzhuang Zhou,
- Abstract要約: 我々は3次元医療データのためのデータ拡張フレームワークであるJanusNetを提案する。
私たちのSlice-Block Shuffleステップは、ランダムな軸に沿ってボリュームに同じインデックススライスブロックをシャッフルします。
我々の信頼誘導変位ステップは、予測信頼性を利用して各スライス内のブロックを置換し、困難な領域からの信号を増幅する。
- 参考スコア（独自算出の注目度）: 8.81080587136333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Limited by the scarcity of training samples and annotations, weakly supervised medical image segmentation often employs data augmentation to increase data diversity, while randomly mixing volumetric blocks has demonstrated strong performance. However, this approach disrupts the inherent anatomical continuity of 3D medical images along orthogonal axes, leading to severe structural inconsistencies and insufficient training in challenging regions, such as small-sized organs, etc. To better comply with and utilize human anatomical information, we propose JanusNet}, a data augmentation framework for 3D medical data that globally models anatomical continuity while locally focusing on hard-to-segment regions. Specifically, our Slice-Block Shuffle step performs aligned shuffling of same-index slice blocks across volumes along a random axis, while preserving the anatomical context on planes perpendicular to the perturbation axis. Concurrently, the Confidence-Guided Displacement step uses prediction reliability to replace blocks within each slice, amplifying signals from difficult areas. This dual-stage, axis-aligned framework is plug-and-play, requiring minimal code changes for most teacher-student schemes. Extensive experiments on the Synapse and AMOS datasets demonstrate that JanusNet significantly surpasses state-of-the-art methods, achieving, for instance, a 4% DSC gain on the Synapse dataset with only 20% labeled data.
- Abstract（参考訳）: トレーニングサンプルやアノテーションの不足により、弱い教師付き医用画像セグメンテーションはデータの多様性を高めるためにデータ拡張を利用することが多いが、ボリュームブロックをランダムに混ぜた場合の性能は高い。
しかし、このアプローチは直交軸に沿った3次元医用画像の解剖学的連続性を阻害し、構造的不整合や小臓器などの課題領域での訓練が不十分になる。
そこで我々は,解剖学的連続性を世界規模でモデル化する3次元医療データのためのデータ拡張フレームワークであるJanusNetを提案する。
具体的には、スライス・ブロック・シャッフルステップは、摂動軸に垂直な平面上の解剖学的コンテキストを保ちながら、ランダムな軸に沿って体積にまたがる同一のインデックススライスブロックの整列シャッフルを行う。
同時に、Confidence-Guided Displacement ステップでは、予測信頼性を使用して、各スライス内のブロックを置き換え、困難な領域からの信号を増幅する。
このデュアルステージの軸アライメントフレームワークはプラグイン・アンド・プレイであり、ほとんどの教師/学生のスキームに対して最小限のコード変更を必要とする。
SynapseデータセットとAMOSデータセットの大規模な実験は、JanusNetが最先端のメソッドを大幅に上回り、例えば、ラベル付きデータでSynapseデータセットで4%のDSCゲインを達成したことを示している。
関連論文リスト
- ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。
本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。
現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
論文 参考訳（メタデータ） (2025-06-24T14:56:55Z) - UniCoN: Universal Conditional Networks for Multi-Age Embryonic Cartilage Segmentation with Sparsely Annotated Data [13.379161180001303]
骨軟骨異形成症は、新生児の2-3%に影響を及ぼし、骨と軟骨の障害の集団である。
この病気に関する現在の研究は、胚性マウスの3DマイクロCT画像において、発育する軟骨を正確にセグメント化することを含んでいる。
本研究では, 軟骨形状変化の正確な表現を可能にするために, 個別の年齢区分と連続的な画像作物位置の2つの新しいメカニズムを提案する。
論文 参考訳（メタデータ） (2024-10-16T21:06:55Z) - GASA-UNet: Global Axial Self-Attention U-Net for 3D Medical Image Segmentation [8.939740171704388]
本稿では,GTA(Global Axial Self-Attention)ブロックを特徴とする改良されたU-Net型モデルを提案する。
このブロックは、異なる解剖学的断面を表す各2次元平面で、画像データを3次元実体として処理する。
我々のモデルは,特に小解剖学的構造に対して,セグメンテーション性能の有望な改善を証明した。
論文 参考訳（メタデータ） (2024-09-20T01:23:53Z) - Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。
MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。
提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
論文 参考訳（メタデータ） (2024-08-26T17:15:37Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch
Decoder Network [28.946037652152395]
本研究は,スライス内分解能とスライス間分解能の比の幅広い変動を性能の重要な障害とみなす。
本研究では,各スライスに対して,平面内セマンティクスだけでなく,外面にもとづく特徴を抽出することを強調するスライス対応2.5Dネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-07T14:31:26Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳（メタデータ） (2022-01-04T02:35:56Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z)
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。