論文の概要: Improving Vessel Segmentation with Multi-Task Learning and Auxiliary Data Available Only During Model Training

• arxiv url: http://arxiv.org/abs/2509.03975v1
• Date: Thu, 04 Sep 2025 08:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.095024
• Title: Improving Vessel Segmentation with Multi-Task Learning and Auxiliary Data Available Only During Model Training
• Title（参考訳）: モデル学習時にのみ利用できるマルチタスク学習と補助データによる容器分割の改善
• Authors: Daniel Sobotka, Alexander Herold, Matthias Perkonigg, Lucian Beer, Nina Bastati, Alina Sablatnig, Ahmed Ba-Ssalamah, Georg Langs,
• Abstract要約: コントラストのない肝MRIにおける血管分割のためのマルチタスク学習フレームワークを提案する。 これは、トレーニング中にのみ利用可能な補助コントラスト強化MRIデータを利用して、注釈付きトレーニング例の必要性を減らす。 脳腫瘍のセグメンテーションのためのモデルを強化するこのアプローチの検証は、その利点を異なる領域にまたがって確認する。
• 参考スコア（独自算出の注目度）: 32.69194732503332
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Liver vessel segmentation in magnetic resonance imaging data is important for the computational analysis of vascular remodelling, associated with a wide spectrum of diffuse liver diseases. Existing approaches rely on contrast enhanced imaging data, but the necessary dedicated imaging sequences are not uniformly acquired. Images without contrast enhancement are acquired more frequently, but vessel segmentation is challenging, and requires large-scale annotated data. We propose a multi-task learning framework to segment vessels in liver MRI without contrast. It exploits auxiliary contrast enhanced MRI data available only during training to reduce the need for annotated training examples. Our approach draws on paired native and contrast enhanced data with and without vessel annotations for model training. Results show that auxiliary data improves the accuracy of vessel segmentation, even if they are not available during inference. The advantage is most pronounced if only few annotations are available for training, since the feature representation benefits from the shared task structure. A validation of this approach to augment a model for brain tumor segmentation confirms its benefits across different domains. An auxiliary informative imaging modality can augment expert annotations even if it is only available during training.
• Abstract（参考訳）: 広範囲のびまん性肝疾患にともなう血管リモデリングの計算的解析には, 磁気共鳴画像データにおける肝血管セグメンテーションが重要である。 既存のアプローチはコントラスト強化画像データに依存しているが、必要な専用画像シーケンスは均一に取得されない。 コントラストエンハンスメントのない画像は、より頻繁に取得されるが、コンテナセグメンテーションは困難であり、大規模なアノテートデータを必要とする。 コントラストのない肝MRIにおける血管分割のためのマルチタスク学習フレームワークを提案する。 これは、トレーニング中にのみ利用可能な補助コントラスト強化MRIデータを利用して、注釈付きトレーニング例の必要性を減らす。 当社のアプローチでは,モデルトレーニングのためのコンテナアノテーションを使用せずに,ネイティブデータとコントラストデータを併用する。 その結果, 補助データは, 推測中に使用できない場合でも, 血管のセグメンテーションの精度を向上することがわかった。 機能表現は共有タスク構造から恩恵を受けるため、トレーニング用に利用できるアノテーションがごくわずかである場合、その利点は最も顕著である。 脳腫瘍のセグメンテーションのためのモデルを強化するこのアプローチの検証は、その利点を異なる領域にまたがって確認する。 補助的なインフォメーション・モダリティは、訓練中にのみ利用できる場合でも専門家のアノテーションを増強することができる。

関連論文リスト

• Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation [33.99418884128739]
  椎骨分割精度を向上させるために,周波数強調多粒性コンテキストネットワーク(FMC-Net)を導入する。 高周波成分に対しては,HFR(High- frequency Feature Refinement)を適用し,特徴の顕著さを増幅する。 低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約する。
  論文  参考訳（メタデータ） (2025-06-29T04:53:02Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images [1.2499537119440245]
  DINOv2は、MRIを用いたLAセグメンテーションのための自然画像に基づいて訓練された自己教師型学習視覚変換器である。 我々は、Diceスコアが.871で、Jaccard Indexが.792で、エンドツーエンドの微調整が可能な、正確で一貫したセグメンテーションを提供する能力を示す。 これらの結果は、DINOv2がMRIに限られたデータで効果的に適応し、セグメンテーションの競争ツールとしての可能性を強調し、医療画像の幅広い利用を促進することを示唆している。
  論文  参考訳（メタデータ） (2024-11-14T17:15:51Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation [8.527048567343234]
  MR画像分割は,多くの臨床応用において重要な役割を担っている。 ディープラーニング(DL)は、最近、様々な画像セグメンテーションタスクにおいて最先端または人間レベルのパフォーマンスを達成した。 本研究では,前立腺MR画像セグメンテーションのための半教師付き,自己教師型協調学習フレームワークを訓練することを目的とする。
  論文  参考訳（メタデータ） (2022-11-16T11:40:13Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• PoissonSeg: Semi-Supervised Few-Shot Medical Image Segmentation via Poisson Learning [0.505645669728935]
  Few-shot Semantic(FSS)は、ディープラーニングにおけるデッドロックを壊すための有望な戦略である。 FSSモデルは、オーバーフィッティングを避けるために十分なピクセルレベルのアノテートクラスを必要とする。 医用画像セグメンテーションのための新しい半教師付きFSSフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T10:24:04Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• 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)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。