論文の概要: PathCo-LatticE: Pathology-Constrained Lattice-Of Experts Framework for Fully-supervised Few-Shot Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2512.09779v1
• Date: Wed, 10 Dec 2025 15:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.584939
• Title: PathCo-LatticE: Pathology-Constrained Lattice-Of Experts Framework for Fully-supervised Few-Shot Cardiac MRI Segmentation
• Title（参考訳）: PathCo-LatticE:完全教師付きFew-Shot心磁図分割のための病理制約格子-Ofエキスパートフレームワーク
• Authors: Mohamed Elbayumi, Mohammed S. M. Elbaz,
• Abstract要約: わずかな撮影学習は、心臓MRIのセグメンテーションにおけるデータの不足を緩和する。 PathCo-LatticEは、ラベルのないデータを、病理誘導合成監視に置き換える。
• 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: Few-shot learning (FSL) mitigates data scarcity in cardiac MRI segmentation but typically relies on semi-supervised techniques sensitive to domain shifts and validation bias, restricting zero-shot generalizability. We propose PathCo-LatticE, a fully supervised FSL framework that replaces unlabeled data with pathology-guided synthetic supervision. First, our Virtual Patient Engine models continuous latent disease trajectories from sparse clinical anchors, using generative modeling to synthesize physiologically plausible, fully labeled 3D cohorts. Second, Self-Reinforcing Interleaved Validation (SIV) provides a leakage-free protocol that evaluates models online with progressively challenging synthetic samples, eliminating the need for real validation data. Finally, a dynamic Lattice-of-Experts (LoE) organizes specialized networks within a pathology-aware topology and activates the most relevant experts per input, enabling robust zero-shot generalization to unseen data without target-domain fine-tuning. We evaluated PathCo-LatticE in a strict out-of-distribution (OOD) setting, deriving all anchors and severity statistics from a single-source domain (ACDC) and performing zero-shot testing on the multi-center, multi-vendor M&Ms dataset. PathCo-LatticE outperforms four state-of-the-art FSL methods by 4.2-11% Dice starting from only 7 labeled anchors, and approaches fully supervised performance (within 1% Dice) with only 19 labeled anchors. The method shows superior harmonization across four vendors and generalization to unseen pathologies. [Code will be made publicly available].
• Abstract（参考訳）: FSL(Few-shot Learning)は、心臓MRIのセグメンテーションにおけるデータの不足を緩和するが、通常、ドメインシフトやバリデーションバイアスに敏感な半教師付き技術に依存し、ゼロショットの一般化性を制限する。 我々は、ラベルなしデータを病理誘導合成監督に置き換える完全教師付きFSLフレームワークPathCo-LatticEを提案する。 第一に、私たちのVirtual patient Engineは、粗い臨床アンカーから連続的な潜伏病軌跡をモデル化し、生成モデルを用いて、生理学的に可塑性で完全な3Dコホートを合成します。 第二に、SIV(Self-Reinforcecing Interleaved Validation)は、オンラインモデルを評価するリークフリーなプロトコルを提供する。 最後に、ダイナミックなLattice-of-Experts (LoE) は、病理を意識したトポロジー内で専門的なネットワークを編成し、入力毎に最も関連性の高い専門家を活性化し、ターゲットドメインを微調整することなく、堅牢なゼロショットの一般化を可能にする。 我々は、PathCo-LatticEを厳密なアウト・オブ・ディストリビューション(OOD)設定で評価し、単一ソースドメイン(ACDC)から全てのアンカーと重大度統計を導出し、マルチセンタのマルチベンダM&Msデータセット上でゼロショットテストを実行した。 PathCo-LatticEは、7つのラベル付きアンカーから始まる4.2-11%のDiceで4つの最先端FSL法を上回り、19個のラベル付きアンカーで完全に監督されたパフォーマンス(1%のDice)にアプローチする。 この手法は, 4つのベンダー間での調和性を向上し, 未知の病態への一般化を示す。 [コードは公開されます]

関連論文リスト

• Comparative Analysis of Data Augmentation for Clinical ECG Classification with STAR [0.0]
  正弦波時間振幅サンプリング(Sinusoidal Time-Amplitude Resampling, STAR)は、連続するRピーク間で厳密に動作するビートワイド増幅である。 STARは実践的なパイプラインのために設計されており、 (i) ピークや間隔を損なうことなくトレーニングの多様性を拡大するモルフォロジー-忠実な変動、 (ii) ソースレジリエンスなトレーニング、 デバイス、サイト、コホート間の安定性をデータセット固有のチューニングなしで改善する、 (iv) ビートレベルの拡張によるレアクラスの学習の改善。
  論文  参考訳（メタデータ） (2025-10-15T14:18:03Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• A systematic review of trial-matching pipelines using large language models [0.9176056742068814]
  患者を臨床試験の選択肢に合わせることは、特に腫瘍学において新しい治療法を特定するために重要である。 大規模言語モデル(LLM)はこの問題に対して有望な解決策を提供する。 本総説では, 臨床治験におけるLSMの応用の進展を概説し, 有望な方向性と限界を強調した。
  論文  参考訳（メタデータ） (2025-09-13T21:21:05Z)
• The CRITICAL Records Integrated Standardization Pipeline (CRISP): End-to-End Processing of Large-scale Multi-institutional OMOP CDM Data [1.3724581418672368]
  このデータセットは、地理的に多様な4つのCTSA機関にわたる371,365人の患者の95億件の記録を含んでいる。 CRITICALのユニークな強みは、ICU前、ICU前、ICU後など、フルスペクトルの患者旅行を捉えることである。 この貴重なリソースの可能性を最大限に活用するためにCRISPを提示する。
  論文  参考訳（メタデータ） (2025-09-10T03:06:24Z)
• Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach [0.5581472054346949]
  KG-DGは糖尿病網膜症(DR)分類のための神経象徴的枠組みである。 視覚変換器と専門家誘導のシンボル推論を統合し、目に見えない領域をまたいだ一般化を可能にする。
  論文  参考訳（メタデータ） (2025-09-03T01:07:49Z)
• Unsupervised Clustering Approaches for Autism Screening: Achieving 95.31% Accuracy with a Gaussian Mixture Model [0.0]
  自閉症スペクトラム障害(ASD)は、効果的かつ迅速に診断する上で困難な状態である。 従来の診断方法はラベル付きデータの可用性を前提としています。 本稿では、4つの異なるクラスタリングアルゴリズムを用いて、ASDをスクリーニングした704人の成人の公開データセットを解析する。
  論文  参考訳（メタデータ） (2025-02-20T18:12:59Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Deep Omni-supervised Learning for Rib Fracture Detection from Chest Radiology Images [41.62893318123283]
  ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。 DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。 医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。 我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-23T05:36:03Z)

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。