論文の概要: Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images

• arxiv url: http://arxiv.org/abs/2509.03188v1
• Date: Wed, 03 Sep 2025 10:18:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.485799
• Title: Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images
• Title（参考訳）: Computed Tomography 画像における副腎腺分節に対するprompt-Guided Patch UNet-VAE
• Authors: Hania Ghouse, Muzammil Behzad,
• Abstract要約: CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。 本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of small and irregularly shaped abdominal organs, such as the adrenal glands in CT imaging, remains a persistent challenge due to severe class imbalance, poor spatial context, and limited annotated data. In this work, we propose a unified framework that combines variational reconstruction, supervised segmentation, and adversarial patch-based feedback to address these limitations in a principled and scalable manner. Our architecture is built upon a VAE-UNet backbone that jointly reconstructs input patches and generates voxel-level segmentation masks, allowing the model to learn disentangled representations of anatomical structure and appearance. We introduce a patch-based training pipeline that selectively injects synthetic patches generated from the learned latent space, and systematically study the effects of varying synthetic-to-real patch ratios during training. To further enhance output fidelity, the framework incorporates perceptual reconstruction loss using VGG features, as well as a PatchGAN-style discriminator for adversarial supervision over spatial realism. Comprehensive experiments on the BTCV dataset demonstrate that our approach improves segmentation accuracy, particularly in boundary-sensitive regions, while maintaining strong reconstruction quality. Our findings highlight the effectiveness of hybrid generative-discriminative training regimes for small-organ segmentation and provide new insights into balancing realism, diversity, and anatomical consistency in data-scarce scenarios.
• Abstract（参考訳）: CT画像における副腎などの小・不規則形状の腹部臓器の分画は, 厳密な階級不均衡, 空間的環境の悪化, 限られた注釈データにより, いまだに困難な課題である。 本研究では,これらの制約に原則的かつスケーラブルな方法で対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 我々のアーキテクチャはVAE-UNetのバックボーン上に構築されており、入力パッチを共同で再構築し、ボクセルレベルのセグメンテーションマスクを生成する。 学習した潜伏空間から生成された合成パッチを選択的に注入するパッチベースのトレーニングパイプラインを導入し、トレーニング中に異なる合成〜現実のパッチ比率の影響を体系的に研究する。 出力忠実度をさらに高めるため、VGG特徴を用いた知覚的再構成損失と、空間現実性に対する敵対的監視のためのPatchGANスタイルの判別器を組み込んだ。 BTCVデータセットの総合的な実験により,高い復元品質を維持しつつ,特に境界感応領域におけるセグメンテーション精度の向上が示された。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。

関連論文リスト

• Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis [7.83167489472557]
  本稿では,改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。 この方法はトランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化する。 境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
  論文  参考訳（メタデータ） (2025-08-20T07:59:00Z)
• From Variability To Accuracy: Conditional Bernoulli Diffusion Models with Consensus-Driven Correction for Thin Structure Segmentation [0.0]
  あいまいな領域では、既存のセグメンテーションアプローチは、しばしば非連結または非分離的な結果を出力する。 本稿では,複数の拡散モデル出力からのコンセンサスを利用してセグメント化結果を補正する新しいフレームワークを提案する。 本手法は,手作業による分割結果の修正を自動化し,画像ガイド下手術計画と手術に応用できる。
  論文  参考訳（メタデータ） (2025-07-17T10:44:06Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• 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)

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。