論文の概要: TA-LSDiff:Topology-Aware Diffusion Guided by a Level Set Energy for Pancreas Segmentation

• arxiv url: http://arxiv.org/abs/2511.00815v1
• Date: Sun, 02 Nov 2025 05:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.949839
• Title: TA-LSDiff:Topology-Aware Diffusion Guided by a Level Set Energy for Pancreas Segmentation
• Title（参考訳）: TA-LSD:膵セグメンテーションのためのレベルセットエネルギーによるトポロジー認識拡散
• Authors: Yue Gou, Fanghui Song, Yuming Xing, Shengzhu Shi, Zhichang Guo, Boying Wu,
• Abstract要約: 医療画像処理における膵の分画は、そのサイズが小さく、隣接する組織とのコントラストが低く、トポロジカルな変化が著しいため、永続的な課題である。 伝統的なレベルセット法は、しばしばポイントワイズトポロジカル効果を無視した勾配流を用いて境界の進化を駆動する。 本稿では,位相対応拡散確率モデルとレベルセットエネルギーを組み合わせたTA-LSDiffという新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.0767972627556506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pancreas segmentation in medical image processing is a persistent challenge due to its small size, low contrast against adjacent tissues, and significant topological variations. Traditional level set methods drive boundary evolution using gradient flows, often ignoring pointwise topological effects. Conversely, deep learning-based segmentation networks extract rich semantic features but frequently sacrifice structural details. To bridge this gap, we propose a novel model named TA-LSDiff, which combined topology-aware diffusion probabilistic model and level set energy, achieving segmentation without explicit geometric evolution. This energy function guides implicit curve evolution by integrating the input image and deep features through four complementary terms. To further enhance boundary precision, we introduce a pixel-adaptive refinement module that locally modulates the energy function using affinity weighting from neighboring evidence. Ablation studies systematically quantify the contribution of each proposed component. Evaluations on four public pancreas datasets demonstrate that TA-LSDiff achieves state-of-the-art accuracy, outperforming existing methods. These results establish TA-LSDiff as a practical and accurate solution for pancreas segmentation.
• Abstract（参考訳）: 医療画像処理における膵の分画は、そのサイズが小さく、隣接する組織とのコントラストが低く、トポロジカルな変化が著しいため、永続的な課題である。 伝統的なレベルセット法は、しばしばポイントワイズトポロジカル効果を無視した勾配流を用いて境界の進化を駆動する。 逆に、深層学習に基づくセグメンテーションネットワークは、豊富な意味的特徴を抽出するが、しばしば構造的詳細を犠牲にする。 このギャップを埋めるために,位相対応拡散確率モデルとレベルセットエネルギーを組み合わせたTA-LSDiffという新しいモデルを提案する。 このエネルギー関数は、4つの相補的な項を通して入力画像と深い特徴を統合することで暗黙の曲線の進化を導く。 境界精度をさらに高めるため,近隣のエビデンスからの親和性重み付けを用いてエネルギー関数を局所的に変調する画素適応精製モジュールを導入する。 アブレーション研究は、提案された各成分の寄与を体系的に定量化する。 4つのパブリック膵臓データセットの評価は、TA-LSDiffが最先端の精度を達成し、既存の手法よりも優れていることを示している。 これらの結果から,TA-LSDiffは膵分画の実用的で正確な解法であると考えられた。

関連論文リスト

• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• Decomposing the Neurons: Activation Sparsity via Mixture of Experts for Continual Test Time Adaptation [37.79819260918366]
  継続的なテスト時間適応(CTTA)は、トレーニング済みのモデルを進化し続けるターゲットドメインに適応させることを目的としている。 我々はCTTAタスクのアダプタとしてMixture-of-Activation-Sparsity-Experts (MoASE)の統合について検討する。
  論文  参考訳（メタデータ） (2024-05-26T08:51:39Z)
• DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation [1.907126872483548]
  これらの問題を解決するために、変位場支援グラフエネルギー送信機(DFGET)フレームワークを提案する。 具体的には、異方性拡散に基づく新しいメッセージパッシング手法を開発し、ノードの特徴を更新する。 DFの制約により、拡散理論に基づくグラフクラスタモジュールがクラス内の特徴整合性を改善するために提示される。
  論文  参考訳（メタデータ） (2023-12-11T01:42:10Z)
• Adversarial Graph Disentanglement [47.27978741175575]
  実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。 グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
  論文  参考訳（メタデータ） (2021-03-12T14:11:36Z)

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。