論文の概要: Hierarchical Semantic Learning for Multi-Class Aorta Segmentation

• arxiv url: http://arxiv.org/abs/2511.14187v1
• Date: Tue, 18 Nov 2025 06:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.978075
• Title: Hierarchical Semantic Learning for Multi-Class Aorta Segmentation
• Title（参考訳）: マルチクラスオータセグメンテーションのための階層的意味学習
• Authors: Pengcheng Shi,
• Abstract要約: 既存の手法は、しばしば階層的な解剖学的関係を見落としている。 階層型セマンティックラーニングに新しいフラクタルソフトマックスを活用するカリキュラム学習戦略を提案する。 人間の認知にインスパイアされた我々のアプローチは、複雑な構造を分解することで解剖学的制約を徐々に学習する。
• 参考スコア（独自算出の注目度）: 7.05504780945516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The aorta, the body's largest artery, is prone to pathologies such as dissection, aneurysm, and atherosclerosis, which often require timely intervention. Minimally invasive repairs involving branch vessels necessitate detailed 3D anatomical analysis. Existing methods often overlook hierarchical anatomical relationships while struggling with severe class imbalance inherent in vascular structures. We address these challenges with a curriculum learning strategy that leverages a novel fractal softmax for hierarchical semantic learning. Inspired by human cognition, our approach progressively learns anatomical constraints by decomposing complex structures from simple to complex components. The curriculum learning framework naturally addresses class imbalance by first establishing robust feature representations for dominant classes before tackling rare but anatomically critical structures, significantly accelerating model convergence in multi-class scenarios. Our two-stage inference strategy achieves up to fivefold acceleration, enhancing clinical practicality. On the validation set at epoch 50, our hierarchical semantic loss improves the Dice score of nnU-Net ResEnc M by 11.65%. The proposed model demonstrates a 5.6% higher Dice score than baselines on the test set. Experimental results show significant improvements in segmentation accuracy and efficiency, making the framework suitable for real-time clinical applications. The implementation code for this challenge entry is publicly available at: https://github.com/PengchengShi1220/AortaSeg24. The code for fractal softmax will be available at https://github.com/PengchengShi1220/fractal-softmax.
• Abstract（参考訳）: 大動脈は体最大の動脈であり、解離、動脈瘤、動脈硬化などの病態を呈し、しばしば時間的介入を必要とする。 分枝血管による微小侵襲的修復は、詳細な3次元解剖学的解析を必要とする。 既存の方法は、しばしば血管構造に固有の重度の階級不均衡に苦慮しながら、階層的な解剖学的関係を見落としている。 階層型セマンティックラーニングに新しいフラクタルソフトマックスを活用するカリキュラム学習戦略により,これらの課題に対処する。 人間の認知にインスパイアされた我々のアプローチは、複雑な構造を単純な構成要素から複雑な構成要素に分解することで、解剖学的制約を徐々に学習する。 カリキュラム学習フレームワークは、まず、希少だが解剖学的に重要な構造に取り組む前に、支配的なクラスに対する堅牢な特徴表現を確立することで、クラス不均衡に対処し、マルチクラスのシナリオにおけるモデル収束を著しく加速する。 我々の2段階推論戦略は、最大5倍の加速を実現し、臨床実践性を向上する。 エポック50の検証セットでは、階層的なセマンティックロスにより、nnU-Net ResEnc MのDiceスコアが11.65%向上する。 提案したモデルは、テストセットのベースラインよりもDiceスコアが5.6%高いことを示す。 実験の結果, セグメンテーションの精度と効率が向上し, リアルタイム臨床応用に適したフレームワークが得られた。 このチャレンジエントリの実装コードは、https://github.com/PengchengShi1220/AortaSeg24で公開されている。 フラクタルソフトマックスのコードはhttps://github.com/PengchengShi1220/fractal-softmaxで入手できる。

関連論文リスト

• Biologically Inspired Deep Learning Approaches for Fetal Ultrasound Image Classification [0.0]
  シンプルだが強力で生物学的にインスパイアされたディープラーニングアンサンブルフレームワークを導入します。 我々のモデルは2つの補足枝を積み重ねる(粗く、低解像度なキューのための「浅い」パスと、微細で高解像度な特徴のための「細い」パス)。 臨床画像5,298点を定期的に取得し,評価した。
  論文  参考訳（メタデータ） (2025-06-10T09:34:33Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)
• Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
  肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。 コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。 細気管支、動脈、静脈に対して優れた感受性を有する。
  論文  参考訳（メタデータ） (2020-12-10T15:56:08Z)
• 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)
• A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects Assessment with Dual-Consistency [40.67137486295487]
  本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。 自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。 実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-05-19T04:47:25Z)
• Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study [43.26668942258135]
  脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。 概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
  論文  参考訳（メタデータ） (2020-04-07T11:12:07Z)

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。