論文の概要: SA$^{2}$Net: Scale-Adaptive Structure-Affinity Transformation for Spine Segmentation from Ultrasound Volume Projection Imaging

• arxiv url: http://arxiv.org/abs/2510.26568v1
• Date: Thu, 30 Oct 2025 14:58:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.868669
• Title: SA$^{2}$Net: Scale-Adaptive Structure-Affinity Transformation for Spine Segmentation from Ultrasound Volume Projection Imaging
• Title（参考訳）: SA$^{2}$Net:超音波ボリュームプロジェクションイメージングによる脊柱分割のスケール適応型構造親和性変換
• Authors: Hao Xie, Zixun Huang, Yushen Zuo, Yakun Ju, Frank H. F. Leung, N. F. Law, Kin-Man Lam, Yong-Ping Zheng, Sai Ho Ling,
• Abstract要約: 本稿では, スピンセグメンテーションのための新しい構造認識ネットワーク (SA$2$Net) を提案する。 まず,脊髄画像の縦方向長距離相関特性を学習するための,スケール適応型補完手法を提案する。 第二に、セマンティックな特徴をクラス固有の親和性に変換し、構造認識推論のためのTransformerデコーダと組み合わせる。
• 参考スコア（独自算出の注目度）: 21.660042213751794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spine segmentation, based on ultrasound volume projection imaging (VPI), plays a vital role for intelligent scoliosis diagnosis in clinical applications. However, this task faces several significant challenges. Firstly, the global contextual knowledge of spines may not be well-learned if we neglect the high spatial correlation of different bone features. Secondly, the spine bones contain rich structural knowledge regarding their shapes and positions, which deserves to be encoded into the segmentation process. To address these challenges, we propose a novel scale-adaptive structure-aware network (SA$^{2}$Net) for effective spine segmentation. First, we propose a scale-adaptive complementary strategy to learn the cross-dimensional long-distance correlation features for spinal images. Second, motivated by the consistency between multi-head self-attention in Transformers and semantic level affinity, we propose structure-affinity transformation to transform semantic features with class-specific affinity and combine it with a Transformer decoder for structure-aware reasoning. In addition, we adopt a feature mixing loss aggregation method to enhance model training. This method improves the robustness and accuracy of the segmentation process. The experimental results demonstrate that our SA$^{2}$Net achieves superior segmentation performance compared to other state-of-the-art methods. Moreover, the adaptability of SA$^{2}$Net to various backbones enhances its potential as a promising tool for advanced scoliosis diagnosis using intelligent spinal image analysis. The code and experimental demo are available at https://github.com/taetiseo09/SA2Net.
• Abstract（参考訳）: 超音波ボリューム・プロジェクション・イメージング(VPI)に基づく脊椎分節は,臨床応用における知的側頭症診断において重要な役割を担っている。 しかし、この課題にはいくつかの大きな課題がある。 第一に、異なる骨の特徴の空間的相関を無視すれば、スピンのグローバルな文脈的知識は十分に学習されないかもしれない。 第二に、脊椎骨は形状や位置に関する豊富な構造的な知識を含んでおり、それは分節過程にコード化されるべきである。 これらの課題に対処するために, 有効スピンセグメンテーションのための新しいスケール適応型構造認識ネットワーク (SA$^{2}$Net) を提案する。 まず,脊髄画像の縦方向長距離相関特性を学習するための,スケール適応型補完手法を提案する。 第2に,トランスフォーマーにおけるマルチヘッド自己認識とセマンティックレベルの親和性との整合性から,クラス固有の親和性で意味的特徴を変換し,構造認識推論のためのトランスフォーマーデコーダと組み合わせる構造親和性変換を提案する。 さらに,モデルトレーニングを強化するために,特徴混合損失集約法を採用した。 この方法は、セグメンテーションプロセスの堅牢性と精度を向上させる。 実験の結果,SA$^{2}$Netは他の最先端手法に比べてセグメンテーション性能が優れていることが示された。 さらに,様々な背骨へのSA$^{2}$Netの適応性は,インテリジェントな脊椎画像解析による進行性側頭症診断に有望なツールとしての可能性を高めている。 コードと実験デモはhttps://github.com/taetiseo09/SA2Netで公開されている。

関連論文リスト

• SpineMamba: Enhancing 3D Spinal Segmentation in Clinical Imaging through Residual Visual Mamba Layers and Shape Priors [10.431439196002842]
  本研究では,3次元脊髄データの深部意味的特徴と長距離空間依存性をモデル化するための残留視覚的マンバ層を提案する。 また, 医療画像から脊椎の解剖学的情報を抽出する新規な脊髄形状先行モジュールを提案する。 SpineMambaはセグメンテーション性能が優れており、最大2ポイントを超える。
  論文  参考訳（メタデータ） (2024-08-28T15:59:40Z)
• 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)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• 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)
• 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)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。