論文の概要: Label-Efficient Cross-Modality Generalization for Liver Segmentation in Multi-Phase MRI

• arxiv url: http://arxiv.org/abs/2510.04705v1
• Date: Mon, 06 Oct 2025 11:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.823987
• Title: Label-Efficient Cross-Modality Generalization for Liver Segmentation in Multi-Phase MRI
• Title（参考訳）: 多相MRIにおける肝分節に対するラベル効率の良いクロスモーダル一般化
• Authors: Quang-Khai Bui-Tran, Minh-Toan Dinh, Thanh-Huy Nguyen, Ba-Thinh Lam, Mai-Anh Vu, Ulas Bagci,
• Abstract要約: 本研究では,実世界の条件下での相互モダリティの一般化を促進するラベル効率のセグメンテーション手法を提案する。 本手法は, 微調整, 相互監督による協調訓練により, 基礎的な3次元セグメンテーションのバックボーンを統合し, ラベルなしボリュームを活用する。 以上の結果より,多相多ベンダーMRIにおける肝セグメンテーションに対するラベル効率の高いベースラインの有用性が示唆された。
• 参考スコア（独自算出の注目度）: 6.755224757651558
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate liver segmentation in multi-phase MRI is vital for liver fibrosis assessment, yet labeled data is often scarce and unevenly distributed across imaging modalities and vendor systems. We propose a label-efficient segmentation approach that promotes cross-modality generalization under real-world conditions, where GED4 hepatobiliary-phase annotations are limited, non-contrast sequences (T1WI, T2WI, DWI) are unlabeled, and spatial misalignment and missing phases are common. Our method integrates a foundation-scale 3D segmentation backbone adapted via fine-tuning, co-training with cross pseudo supervision to leverage unlabeled volumes, and a standardized preprocessing pipeline. Without requiring spatial registration, the model learns to generalize across MRI phases and vendors, demonstrating robust segmentation performance in both labeled and unlabeled domains. Our results exhibit the effectiveness of our proposed label-efficient baseline for liver segmentation in multi-phase, multi-vendor MRI and highlight the potential of combining foundation model adaptation with co-training for real-world clinical imaging tasks.
• Abstract（参考訳）: 多相MRIにおける正確な肝分画は肝線維化評価には不可欠であるが,画像モダリティやベンダーシステム間でラベル付きデータが少なく,不均一に分布することが多い。 本稿では,GED4の肝胆道相アノテーションが制限され,非コントラストシーケンス(T1WI,T2WI,DWI)がラベル付けされず,空間的不整合や欠落相が一般的である実世界の条件下でのクロスモーダルな一般化を促進するラベル効率のセグメンテーション手法を提案する。 提案手法は, 微調整, クロス擬似監督との共同トレーニングにより, ラベルなしボリュームを活用する基礎的な3次元セグメンテーションのバックボーンと, 標準化された前処理パイプラインを統合した。 空間的登録を必要とせず、MRIフェーズとベンダーをまたいだ一般化を学び、ラベル付きドメインとラベルなしドメインの両方で堅牢なセグメンテーション性能を示す。 本研究は,多相多ベンダMRIにおける肝セグメンテーションのためのラベル効率の高いベースラインの有効性を示すとともに,基礎モデル適応と実際の臨床画像タスクの併用の可能性を強調した。

関連論文リスト

• The best performance in the CARE 2025 -- Liver Task (LiSeg-Contrast): Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation [23.156209918252838]
  CoSSeg-TTA は nnU-Netv2 上に構築された GED4 (Gd-EOB-DTPA 拡張肝胆道相MRI) のコンパクトセグメンテーションフレームワークである。 ドメイン適応モジュールは、ランダム化されたヒストグラムスタイルの外観伝達関数とトレーニング可能なコントラスト対応ネットワークを組み込んで、ドメインの多様性を強化し、センター間の変動を緩和する。
  論文  参考訳（メタデータ） (2025-10-05T15:18:53Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• 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)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)
• Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting [12.343161202847018]
  多相CT画像は肝腫瘍の正確なセグメンテーション(LiTS)に重要な相補的情報を提供する 我々は,多相情報を適切に集約し,不確実領域分割を洗練するための新しいLiTS法を提案する。
  論文  参考訳（メタデータ） (2021-08-02T14:02:28Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。