論文の概要: AGENet: Adaptive Edge-aware Geodesic Distance Learning for Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.11662v1
• Date: Tue, 11 Nov 2025 09:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.807138
• Title: AGENet: Adaptive Edge-aware Geodesic Distance Learning for Few-Shot Medical Image Segmentation
• Title（参考訳）: AGENet:Few-Shot医療画像セグメンテーションのための適応的エッジ対応測地距離学習
• Authors: Ziyuan Gao,
• Abstract要約: AGENetはエッジ・アウェアな測地距離学習を通じて空間的関係を組み込む新しいフレームワークである。 私たちの重要な洞察は、医療構造はプロトタイプの抽出をガイドできる予測可能な幾何学的パターンに従っているということです。 本手法は,計算効率を維持しつつ,既存の手法と比較して境界誤差を低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation requires large annotated datasets, creating a significant bottleneck for clinical applications. While few-shot segmentation methods can learn from minimal examples, existing approaches demonstrate suboptimal performance in precise boundary delineation for medical images, particularly when anatomically similar regions appear without sufficient spatial context. We propose AGENet (Adaptive Geodesic Edge-aware Network), a novel framework that incorporates spatial relationships through edge-aware geodesic distance learning. Our key insight is that medical structures follow predictable geometric patterns that can guide prototype extraction even with limited training data. Unlike methods relying on complex architectural components or heavy neural networks, our approach leverages computationally lightweight geometric modeling. The framework combines three main components: (1) An edge-aware geodesic distance learning module that respects anatomical boundaries through iterative Fast Marching refinement, (2) adaptive prototype extraction that captures both global structure and local boundary details via spatially-weighted aggregation, and (3) adaptive parameter learning that automatically adjusts to different organ characteristics. Extensive experiments across diverse medical imaging datasets demonstrate improvements over state-of-the-art methods. Notably, our method reduces boundary errors compared to existing approaches while maintaining computational efficiency, making it highly suitable for clinical applications requiring precise segmentation with limited annotated data.
• Abstract（参考訳）: 医用画像のセグメンテーションには大きな注釈付きデータセットが必要であり、臨床応用にとって重要なボトルネックとなる。 少数ショットセグメンテーション法は最小限の例から学習できるが、既存のアプローチでは、医用画像の正確な境界線化において、特に解剖学的に類似した領域が十分な空間的文脈を伴わない場合に、最適以下の性能を示す。 本稿では,エッジ・アウェアな測地距離学習を通じて空間的関係を組み込んだ新しいフレームワークであるAGENetを提案する。 私たちの重要な洞察は、医療構造は、限られたトレーニングデータであってもプロトタイプ抽出をガイドできる予測可能な幾何学的パターンに従っているということです。 複雑なアーキテクチャコンポーネントや重いニューラルネットワークに依存する手法とは異なり、我々の手法は計算学的に軽量な幾何学的モデリングを利用する。 本フレームワークは,(1)反復的高速マーチング改良による解剖学的境界を尊重するエッジ・アウェアな測地距離学習モジュール,(2)空間重み付けによる大域構造と局所境界の詳細の両方を捉える適応型プロトタイプ抽出,(3)臓器特性に自動的に適応する適応型パラメータ学習の3つの主要構成要素を組み合わせた。 さまざまな医療画像データセットにわたる大規模な実験は、最先端の手法よりも改善されている。 特に,本手法は計算効率を保ちながら既存の手法と比較して境界誤差を低減し,限られた注釈付きデータで正確なセグメンテーションを必要とする臨床応用に極めて適している。

関連論文リスト

• 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)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Auto-segmentation of Hip Joints using MultiPlanar UNet with Transfer learning [6.6246573227620384]
  少数のデータしか持たないディープラーニングセグメンテーションアプローチは、細かい特徴を正確にセグメンテーションするのに困難である。 本稿では, セグメンテーションが不十分なデータセットを, 対話型学習と組み合わせて再利用する手法を提案する。 今回我々は, この頑健かつ概念的にシンプルなアプローチを, 人工股関節のCT画像に応用し, 臨床的に検証した。
  論文  参考訳（メタデータ） (2022-08-17T11:12:50Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Momentum Contrastive Voxel-wise Representation Learning for Semi-supervised Volumetric Medical Image Segmentation [2.3322477552758234]
  医用画像セグメンテーションのためのグローバルな視覚表現を学習するための幾何学的制約付きコントラストVoxel-wise Representation(CVRL)法を提案する。 このフレームワークは,3次元空間的コンテキストと豊かな解剖学的情報をキャプチャすることで,グローバルおよびローカルな特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-14T20:27:23Z)
• 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 Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。