論文の概要: F2PASeg: Feature Fusion for Pituitary Anatomy Segmentation in Endoscopic Surgery

• arxiv url: http://arxiv.org/abs/2508.05465v1
• Date: Thu, 07 Aug 2025 15:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.916876
• Title: F2PASeg: Feature Fusion for Pituitary Anatomy Segmentation in Endoscopic Surgery
• Title（参考訳）: F2PASeg : 内視鏡下手術における下垂体解剖手術の特徴
• Authors: Lumin Chen, Zhiying Wu, Tianye Lei, Xuexue Bai, Ming Feng, Yuxi Wang, Gaofeng Meng, Zhen Lei, Hongbin Liu,
• Abstract要約: 解剖学的構造区分は、外科医に外科的リスクを引き起こす早期の警告を与えることができる。 F2PASegは、高解像度画像特徴と深いセマンティック埋め込みの両方を活用することにより、解剖学的構造セグメンテーションを洗練するために提案されている。
• 参考スコア（独自算出の注目度）: 27.301261090674718
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Pituitary tumors often cause deformation or encapsulation of adjacent vital structures. Anatomical structure segmentation can provide surgeons with early warnings of regions that pose surgical risks, thereby enhancing the safety of pituitary surgery. However, pixel-level annotated video stream datasets for pituitary surgeries are extremely rare. To address this challenge, we introduce a new dataset for Pituitary Anatomy Segmentation (PAS). PAS comprises 7,845 time-coherent images extracted from 120 videos. To mitigate class imbalance, we apply data augmentation techniques that simulate the presence of surgical instruments in the training data. One major challenge in pituitary anatomy segmentation is the inconsistency in feature representation due to occlusions, camera motion, and surgical bleeding. By incorporating a Feature Fusion module, F2PASeg is proposed to refine anatomical structure segmentation by leveraging both high-resolution image features and deep semantic embeddings, enhancing robustness against intraoperative variations. Experimental results demonstrate that F2PASeg consistently segments critical anatomical structures in real time, providing a reliable solution for intraoperative pituitary surgery planning. Code: https://github.com/paulili08/F2PASeg.
• Abstract（参考訳）: 垂体腫瘍は、しばしば隣り合うバイタル構造の変形やカプセル化を引き起こす。 解剖学的構造区分は、外科医に外科的リスクをもたらす早期の警告を与え、下垂体手術の安全性を高めることができる。 しかし,下垂体手術用の画素レベルの注釈付きビデオストリームデータセットは非常に稀である。 この課題に対処するため,我々はPituitary Anatomy Segmentation (PAS)の新しいデータセットを導入した。 PASは120本のビデオから抽出した7,845枚のタイムコヒーレント画像からなる。 授業の不均衡を軽減するため,訓練データにおける外科器具の存在をシミュレートするデータ拡張手法を適用した。 下垂体解剖における大きな課題の1つは、閉塞、カメラモーション、外科的出血による特徴表現の不整合である。 F2PASegは機能融合モジュールを組み込むことにより,高分解能画像特徴と深いセマンティック埋め込みの両方を活用して解剖学的構造セグメンテーションを洗練し,術中変動に対する堅牢性を高める。 F2PASegは, 術中下垂体手術計画において, 重要な解剖学的構造をリアルタイムで一貫的に分割し, 信頼性の高い解決法であることを示した。 コード:https://github.com/paulili08/F2PASeg。

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)
• Surg-SegFormer: A Dual Transformer-Based Model for Holistic Surgical Scene Segmentation [6.285713987996377]
  Surg-SegFormerは、最先端技術より優れた新しいプロンプトフリーモデルである。 堅牢で自動的な手術シーン理解を提供することで,専門医の指導負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2025-07-06T09:04:25Z)
• CF-Seg: Counterfactuals meet Segmentation [15.886397919997538]
  医学画像における解剖学的構造は,様々な疾患の定量的評価において重要な役割を担っている。 病気のパターンは、周囲の健康な組織の外観を変えたり、曖昧な境界、または明確な解剖学的構造を導入したりすることができる。 そこで本研究では,病状変化を伴わずに同じ解剖像が出現する様子をシミュレーションするために,CF画像を生成する。
  論文  参考訳（メタデータ） (2025-06-19T11:01:33Z)
• Surgical Foundation Model Leveraging Compression and Entropy Maximization for Image-Guided Surgical Assistance [50.486523249499115]
  低侵襲手術(MIS)におけるリアルタイム映像理解の重要性 手術ビデオからコンパクトで情報的表現を学習するための,新しい自己教師型フレームワークであるCompress-to-Explore (C2E)を提案する。 C2Eは、エントロピー最大化デコーダを使用して、臨床的に関連する詳細を保持しながら画像を圧縮し、ラベル付きデータなしでエンコーダのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2025-05-16T14:02:24Z)
• Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
  術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。 既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。 本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T14:55:57Z)
• Surgical Scene Segmentation by Transformer With Asymmetric Feature Enhancement [7.150163844454341]
  視覚特異的トランスフォーマー法は外科的シーン理解に有望な方法である。 非対称特徴拡張モジュール(TAFE)を用いたトランスフォーマーベースの新しいフレームワークを提案する。 提案手法は, 手術分割作業におけるSOTA法よりも優れており, さらに, 微細な構造認識の能力も証明している。
  論文  参考訳（メタデータ） (2024-10-23T07:58:47Z)
• 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)
• 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)
• LCAUnet: A skin lesion segmentation network with enhanced edge and body fusion [4.819821513256158]
  LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。 公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T14:05:53Z)
• Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
  ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。 本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T21:21:12Z)
• 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)

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。