論文の概要: PULSE: A Unified Multi-Task Architecture for Cardiac Segmentation, Diagnosis, and Few-Shot Cross-Modality Clinical Adaptation

• arxiv url: http://arxiv.org/abs/2512.03848v1
• Date: Wed, 03 Dec 2025 14:49:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:16:10.066206
• Title: PULSE: A Unified Multi-Task Architecture for Cardiac Segmentation, Diagnosis, and Few-Shot Cross-Modality Clinical Adaptation
• Title（参考訳）: PULSE: 心臓セグメンテーション, 診断, およびFew-Shotクロスモダリティ臨床適応のための統合型マルチタスクアーキテクチャ
• Authors: Hania Ghouse, Maryam Alsharqi, Farhad R. Nezami, Muzammil Behzad,
• Abstract要約: PULSEは、自己教師付き表現に基づいて構築され、複合的な監視戦略によって最適化されたマルチタスク視覚言語フレームワークである。 マルチスケールトークン再構成デコーダは解剖学的セグメンテーションを可能にし、共有グローバル表現は疾患分類と臨床背景テキスト出力をサポートする。 従来のタスク固有のパイプラインとは異なり、PULSEはタスク不変の心臓前兆を学習し、データセット間で堅牢に一般化し、最小限の監視で新しい画像モダリティに適応することができる。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License:
• Abstract: Cardiac image analysis remains fragmented across tasks: anatomical segmentation, disease classification, and grounded clinical report generation are typically handled by separate networks trained under different data regimes. No existing framework unifies these objectives within a single architecture while retaining generalization across imaging modalities and datasets. We introduce PULSE, a multi-task vision-language framework built on self-supervised representations and optimized through a composite supervision strategy that balances region overlap learning, pixel wise classification fidelity, and boundary aware IoU refinement. A multi-scale token reconstruction decoder enables anatomical segmentation, while shared global representations support disease classification and clinically grounded text output allowing the model to transition from pixels to structures and finally clinical reasoning within one architecture. Unlike prior task-specific pipelines, PULSE learns task-invariant cardiac priors, generalizes robustly across datasets, and can be adapted to new imaging modalities with minimal supervision. This moves the field closer to a scalable, foundation style cardiac analysis framework.
• Abstract（参考訳）: 心臓画像解析は、解剖学的セグメンテーション、疾患分類、臨床報告生成といったタスクで断片化され、典型的には異なるデータ体制の下で訓練された個別のネットワークによって処理される。 既存のフレームワークが単一アーキテクチャ内でこれらの目標を統一することはないが、画像のモダリティやデータセットをまたいだ一般化を維持している。 PULSEは、自己教師付き表現に基づいて構築され、領域重複学習、画素ワイズ分類忠実度、境界対応IoU精細化のバランスをとる複合監視戦略により最適化されたマルチタスク視覚言語フレームワークである。 マルチスケールトークン再構成復号器は、解剖学的セグメンテーションを可能にし、共有グローバル表現は、疾患分類と臨床接地されたテキスト出力をサポートし、モデルがピクセルから構造へ移行し、最終的に1つのアーキテクチャ内で臨床推論を行うことができる。 従来のタスク固有のパイプラインとは異なり、PULSEはタスク不変の心臓前兆を学習し、データセット間で堅牢に一般化し、最小限の監視で新しい画像モダリティに適応することができる。 これにより、フィールドはスケーラブルでファンデーションスタイルの心臓分析フレームワークに近づきます。

関連論文リスト

• DTEA: Dynamic Topology Weaving and Instability-Driven Entropic Attenuation for Medical Image Segmentation [31.50032207382483]
  スキップ接続は、グローバルコンテキストをマージし、エンコーダとデコーダのセマンティックギャップを減らすために使用される。 本稿では,セマンティックトポロジ再構成(STR)とエントロピー摂動ゲーティング(EPG)モジュールを用いた新しいスキップ接続フレームワークを特徴とするDTEAモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T10:50:41Z)
• 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)
• CLAPS: A CLIP-Unified Auto-Prompt Segmentation for Multi-Modal Retinal Imaging [47.04292769940597]
  CLIP統合オートプロンプト(CLAPS)は,網膜イメージングにおける様々なタスクとモダリティをまたいだセグメンテーションを統一する新しい手法である。 私たちのアプローチは、CLIPベースの画像エンコーダを、大規模なマルチモーダル網膜データセット上で事前トレーニングすることから始まります。 タスクを統一し、曖昧さを解消するために、各画像のモダリティに固有の「モダリティシグネチャ」を付加したテキストプロンプトを使用する。
  論文  参考訳（メタデータ） (2025-09-10T14:14:49Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
  心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。 既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。 学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-24T14:47:54Z)
• Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
  臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。 我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-27T10:46:24Z)
• 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)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Spatially Dependent U-Nets: Highly Accurate Architectures for Medical Imaging Segmentation [10.77039660100327]
  解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。 提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。 本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
  論文  参考訳（メタデータ） (2021-03-22T10:37:20Z)
• 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)
• Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI [0.8858288982748155]
  複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。 本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
  論文  参考訳（メタデータ） (2020-11-15T17:50:23Z)

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。