論文の概要: Few-Shot Fingerprinting Subject Re-Identification in 3D-MRI and 2D-X-Ray
- arxiv url: http://arxiv.org/abs/2512.16685v1
- Date: Thu, 18 Dec 2025 15:50:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.137027
- Title: Few-Shot Fingerprinting Subject Re-Identification in 3D-MRI and 2D-X-Ray
- Title（参考訳）: 3D-MRIと2D-X線におけるFew-Shot Fingerprintingの対象再同定
- Authors: Gonçalo Gaspar Alves, Shekoufeh Gorgi Zadeh, Andreas Husch, Ben Bausch,
- Abstract要約: 我々は、被写体のすべての画像を、被写体が類似性マッチングによって再識別できるようにするために、潜在空間内の別の領域にマッピングする。
トリプレット・マージン・ロスを訓練したResNet-50を用いて,標準(20-way 1-shot)と課題(1000-way 1-shot)の両シナリオにおいて,3D MRIと2D X線データに対する数ショットのフィンガープリントを評価した。
- 参考スコア（独自算出の注目度）: 0.6999740786886535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining open-source datasets can introduce data leakage if the same subject appears in multiple sets, leading to inflated model performance. To address this, we explore subject fingerprinting, mapping all images of a subject to a distinct region in latent space, to enable subject re-identification via similarity matching. Using a ResNet-50 trained with triplet margin loss, we evaluate few-shot fingerprinting on 3D MRI and 2D X-ray data in both standard (20-way 1-shot) and challenging (1000-way 1-shot) scenarios. The model achieves high Mean- Recall-@-K scores: 99.10% (20-way 1-shot) and 90.06% (500-way 5-shot) on ChestXray-14; 99.20% (20-way 1-shot) and 98.86% (100-way 3-shot) on BraTS- 2021.
- Abstract（参考訳）: オープンソースデータセットを組み合わせることで、同じ主題が複数のセットに現れると、データリークが発生し、モデルのパフォーマンスが膨らみます。
そこで本研究では,被写体画像の同一領域へのマッピングと類似性マッチングによる被写体再識別の実現について検討する。
トリプレット・マージン・ロスを訓練したResNet-50を用いて,標準(20-way 1-shot)と課題(1000-way 1-shot)の両方のシナリオにおいて,3D MRIと2D X線データに対する数ショットのフィンガープリントを評価した。
99.10%(20ウェイ1ショット)、90.06%(500ウェイ5ショット)、99.20%(20ウェイ1ショット)、98.86%(100ウェイ3ショット)である。
関連論文リスト
- 3D Path Planning for Robot-assisted Vertebroplasty from Arbitrary Bi-plane X-ray via Differentiable Rendering [10.03537569638041]
2次元平面X線を用いた3次元経管路計画のための微分可能なレンダリングベースフレームワークを提案する。
本手法は, 統計的形状モデルを用いて生成した椎体アトラスと微分可能レンダリングを統合した。
本フレームワークは, ロボット支援椎体形成のための多機能CTフリー3Dパス計画を支援する。
論文 参考訳（メタデータ） (2025-12-05T15:26:13Z) - Veriserum: A dual-plane fluoroscopic dataset with knee implant phantoms for deep learning in medical imaging [0.09320657506524148]
Veriserumは、デュアルプレーン蛍光分析のためのディープラーニング登録のトレーニングを支援するために設計されたオープンソースのデータセットである。
約110,000枚のX線画像と、約1600回の臨床試験で撮影された10個の膝インプラントの組み合わせで構成されている。
論文 参考訳（メタデータ） (2025-09-05T20:15:43Z) - 3D-MoRe: Unified Modal-Contextual Reasoning for Embodied Question Answering [66.88437915655827]
3D-MoReは、基礎モデルの強みを活用して、大規模な3D言語データセットを生成するように設計されている。
このフレームワークは、マルチモーダル埋め込み、クロスモーダルインタラクション、言語モデルデコーダなど、主要なコンポーネントを統合している。
ScanNetの3DシーンデータセットとScanQAとScanReferのテキストアノテーションを使用して、3D-MoReは62,000の質問応答ペアと73,000のオブジェクト記述を生成する。
論文 参考訳（メタデータ） (2025-07-16T08:38:26Z) - BOP Challenge 2024 on Model-Based and Model-Free 6D Object Pose Estimation [55.13521733366838]
一連のパブリックコンペティションの第6回は、6Dオブジェクトでアートの状態をキャプチャするために組織された。
2024年、我々は3Dオブジェクトモデルが利用できず、提供された参照ビデオからのみオブジェクトをオンボードする必要がある新しいモデルフリータスクを導入した。
我々は、テスト画像で見える物体の同一性が入力として提供されない、より実用的な6Dオブジェクト検出タスクを定義した。
論文 参考訳（メタデータ） (2025-04-03T17:55:19Z) - Latent Fingerprint Recognition: Fusion of Local and Global Embeddings [30.40684369054112]
我々は,グローバルな埋め込みと局所的な埋め込みを組み合わせることで,マッチング精度を高いスループットでロールする。
本研究は,複数の転がり,平らな,接触のない指紋データセットの認証精度を向上させるために,融合表現の一般化可能性を示す。
論文 参考訳（メタデータ） (2023-04-26T19:42:57Z) - Self-Supervised 2D/3D Registration for X-Ray to CT Image Fusion [10.040271638205382]
シミュレーショントレーニングと教師なし特徴と画素空間領域適応を組み合わせた自己教師付き2D/3D登録フレームワークを提案する。
本フレームワークは, 実X線画像における90.1%の成功率で, 1.83$pm$1.16 mmの登録精度を達成している。
論文 参考訳（メタデータ） (2022-10-14T08:06:57Z)
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。