論文の概要: Coordinative Learning with Ordinal and Relational Priors for Volumetric Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2511.11276v1
- Date: Fri, 14 Nov 2025 13:11:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.6163
- Title: Coordinative Learning with Ordinal and Relational Priors for Volumetric Medical Image Segmentation
- Title（参考訳）: ボリューム・メディカル・イメージ・セグメンテーションのための規則的・関係的事前の協調学習
- Authors: Haoyi Wang,
- Abstract要約: ボリューム画像の局所的構造と大域的構造の両方を捉えるために,コーディネーティブ・オーディショナル・リレーショナル・解剖学学習を提案する。
コーラルは、連続解剖学的類似性を活用するために、対照的なランク付けの目的を用いる。
コーラルは、学習した特徴分布と患者間での標準的な解剖学的進行を整合させ、グローバルな方向性整合を強制する順序的目的を取り入れている。
- 参考スコア（独自算出の注目度）: 3.0458514384586404
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Volumetric medical image segmentation presents unique challenges due to the inherent anatomical structure and limited availability of annotations. While recent methods have shown promise by contrasting spatial relationships between slices, they rely on hard binary thresholds to define positive and negative samples, thereby discarding valuable continuous information about anatomical similarity. Moreover, these methods overlook the global directional consistency of anatomical progression, resulting in distorted feature spaces that fail to capture the canonical anatomical manifold shared across patients. To address these limitations, we propose Coordinative Ordinal-Relational Anatomical Learning (CORAL) to capture both local and global structure in volumetric images. First, CORAL employs a contrastive ranking objective to leverage continuous anatomical similarity, ensuring relational feature distances between slices are proportional to their anatomical position differences. In addition, CORAL incorporates an ordinal objective to enforce global directional consistency, aligning the learned feature distribution with the canonical anatomical progression across patients. Learning these inter-slice relationships produces anatomically informed representations that benefit the downstream segmentation task. Through this coordinative learning framework, CORAL achieves state-of-the-art performance on benchmark datasets under limited-annotation settings while learning representations with meaningful anatomical structure. Code is available at https://github.com/haoyiwang25/CORAL.
- Abstract（参考訳）: ボリューム・メディカル・イメージ・セグメンテーションは、固有の解剖学的構造とアノテーションの可用性が制限されているため、ユニークな課題を呈している。
最近の手法では、スライス間の空間的関係を対比することで有望であることを示す一方で、正と負のサンプルを定義するためにハードバイナリしきい値に依存しており、解剖学的類似性に関する貴重な連続情報を捨てている。
さらに、これらの手法は解剖学的進行のグローバルな方向整合性を見落とし、患者間で共有される標準解剖学的多様体を捉えない歪んだ特徴空間をもたらす。
これらの制約に対処するため,ボリューム画像の局所的構造と大域的構造の両方を捉えるコーディネート・オーディショナル・リレーショナル・解剖学学習(CORAL)を提案する。
第一に、Coralは、連続的な解剖学的類似性を活用するために、対照的なランク付けの目的を採用し、スライス間の関係的特徴距離が解剖学的位置の違いに比例することを保証する。
さらに、CoRALは、学習した特徴分布と患者間の標準解剖学的進行を整合させて、グローバルな方向性整合を強制する順序的目的を取り入れている。
これらのスライス間の関係を学習すると、下流のセグメンテーションタスクの恩恵を受ける解剖学的に情報を得た表現が生成される。
このコーディネート学習フレームワークを通じて、CORALは、意味のある解剖学的構造を持つ表現を学習しながら、限定アノテーション設定の下で、ベンチマークデータセットの最先端のパフォーマンスを達成する。
コードはhttps://github.com/haoyiwang25/CORAL.comで入手できる。
関連論文リスト
- Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
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。
論文 参考訳（メタデータ） (2025-09-03T10:18:06Z) - GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。
2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
論文 参考訳（メタデータ） (2025-08-05T12:26:36Z) - CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation [9.51662728609265]
共同拡散(英語: Collaborative Diffusion、CA-Diff)は、空間解剖学的特徴を統合し、セグメンテーションの精度を高めるフレームワークである。
距離場を補助解剖条件として導入し,グローバルな空間的コンテキストを提供する。
また、距離場と解剖学的構造との関係を洗練するために、一貫性損失を導入する。
論文 参考訳（メタデータ） (2025-06-28T13:39:09Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19
Severity Assessment [0.5512295869673147]
新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。
病理組織は正常な肺組織,非肺領域,および2つの異なる,しかし視覚的に類似した,病理組織に区分した。
提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。
論文 参考訳（メタデータ） (2022-07-05T21:28:52Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳（メタデータ） (2022-06-24T22:25:31Z) - 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) - Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。
本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。
筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文 参考訳（メタデータ） (2020-07-06T20:27:38Z)
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。