論文の概要: Edge Detection for Organ Boundaries via Top Down Refinement and SubPixel Upsampling

• arxiv url: http://arxiv.org/abs/2508.06805v1
• Date: Sat, 09 Aug 2025 03:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.55651
• Title: Edge Detection for Organ Boundaries via Top Down Refinement and SubPixel Upsampling
• Title（参考訳）: トップダウンリファインメントとサブピクセルアップサンプリングによる臓器境界のエッジ検出
• Authors: Aarav Mehta, Priya Deshmukh, Vikram Singh, Siddharth Malhotra, Krishnan Menon Iyer, Tanvi Iyer,
• Abstract要約: 深層畳み込みネットワーク(ConvNets)は、自然画像上のほぼ人間に近い性能に高度な汎用エッジ検出を行う。 それらの出力は、医学的応用において特に有害な、正確な局所化を欠くことが多い。 医用画像に新しいトップダウン・バックワード・リファインメント・アーキテクチャを適用した医療用クリップエッジ検出器を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate localization of organ boundaries is critical in medical imaging for segmentation, registration, surgical planning, and radiotherapy. While deep convolutional networks (ConvNets) have advanced general-purpose edge detection to near-human performance on natural images, their outputs often lack precise localization, a limitation that is particularly harmful in medical applications where millimeter-level accuracy is required. Building on a systematic analysis of ConvNet edge outputs, we propose a medically focused crisp edge detector that adapts a novel top-down backward refinement architecture to medical images (2D and volumetric). Our method progressively upsamples and fuses high-level semantic features with fine-grained low-level cues through a backward refinement pathway, producing high-resolution, well-localized organ boundaries. We further extend the design to handle anisotropic volumes by combining 2D slice-wise refinement with light 3D context aggregation to retain computational efficiency. Evaluations on several CT and MRI organ datasets demonstrate substantially improved boundary localization under strict criteria (boundary F-measure, Hausdorff distance) compared to baseline ConvNet detectors and contemporary medical edge/contour methods. Importantly, integrating our crisp edge maps into downstream pipelines yields consistent gains in organ segmentation (higher Dice scores, lower boundary errors), more accurate image registration, and improved delineation of lesions near organ interfaces. The proposed approach produces clinically valuable, crisp organ edges that materially enhance common medical-imaging tasks.
• Abstract（参考訳）: 臓器境界の正確な局所化は、セグメンテーション、登録、手術計画、放射線治療のための医療画像において重要である。 深層畳み込みネットワーク(ConvNets)は、自然画像上のほぼ人間に近い性能に高度な汎用エッジ検出を行っているが、その出力には正確な位置決めが欠如しており、ミリレベルの精度を必要とする医療応用では特に有害である。 ConvNetエッジ出力のシステマティック解析に基づいて、医用画像(2D, ボリューム)に新しいトップダウン後方補正アーキテクチャを適用する医療用クリップエッジ検出器を提案する。 提案手法は,高分解能で局在性の高い臓器境界を生じさせるため,後進精製経路を介し,高レベルの意味的特徴と微細な低レベルの手がかりとを段階的にアップサンプリングし融合する。 さらに、計算効率を維持するために、2次元スライスワイスワイスと軽量3次元コンテキストアグリゲーションを組み合わせることで、異方性ボリュームを扱うよう設計を拡張した。 複数のCTおよびMRI臓器データセットを用いた評価では, 基準値(境界F値, ハウスドルフ距離)と基準値(ConvNet検出器, 現代医療用エッジ/コンター法)との差が有意に改善した。 重要なことは、私たちのクリップエッジマップを下流パイプラインに統合することで、臓器のセグメンテーション(高Diceスコア、低境界誤差)、より正確な画像登録、臓器界面近傍の病変のデライン化の改善に一貫した利得が得られるということです。 提案手法は, 臨床的に有用で, クリップな臓器縁を創出し, 一般的な医用画像のタスクを効果的に強化する。

関連論文リスト

• MOSAIC: A Multi-View 2.5D Organ Slice Selector with Cross-Attentional Reasoning for Anatomically-Aware CT Localization in Medical Organ Segmentation [0.8747606955991707]
  既存の3Dセグメンテーションアプローチは計算的かつメモリ集約的であり、多くの場合、多くの解剖学的に無関係なスライスを含む全ボリュームを処理する。 セグメント化に先立って入力量を削減できる新しい解剖学的スライスセレクタパイプラインを提案する。 提案モデルでは, 構造的関連性の高いスライスを選択的に保持する多視点表現を前提として, 解剖学的局所化の「専門家」として機能する。
  論文  参考訳（メタデータ） (2025-05-15T19:32:28Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using Separable Convolutional Neural Network with Hard-Region-Weighted Loss [10.93840864507459]
  鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。 不確実性のあるCT画像からのOrgans-at-Risk(OAR)の正確なセグメンテーションは、NPC治療のための放射線治療を効果的に計画するために重要である。 本稿では,信頼性の高い不確実性推定を伴う高精度OARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-03T06:31:38Z)
• Enhancing Foreground Boundaries for Medical Image Segmentation [13.954358685870886]
  本稿では,機械学習モデルの最適化に制約を加える境界拡張損失を提案する。 実験により,我々の損失関数はセグメント化精度の点で,他の最先端の損失関数よりも優れているか,少なくとも同等であることを確認した。
  論文  参考訳（メタデータ） (2020-05-29T00:50:08Z)

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。