論文の概要: From Volumes to Slices: Computationally Efficient Contrastive Learning for Sequential Abdominal CT Analysis

• arxiv url: http://arxiv.org/abs/2601.14593v1
• Date: Wed, 21 Jan 2026 02:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.208046
• Title: From Volumes to Slices: Computationally Efficient Contrastive Learning for Sequential Abdominal CT Analysis
• Title（参考訳）: ボリュームからスライスへ:逐次腹部CT解析のための計算効率の良いコントラスト学習
• Authors: Po-Kai Chiu, Hung-Hsuan Chen,
• Abstract要約: 2D-VoCoは,スライスレベルの自己教師型事前学習のためのVoCoフレームワークの効率的な適応である。 RSNA 2023腹部外傷データセットでは、2D-VoCo事前トレーニングは、スクラッチからのトレーニングよりも、mAP、精度、リコール、RSNAスコアを大幅に改善する。
• 参考スコア（独自算出の注目度）: 1.3320917259299652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The requirement for expert annotations limits the effectiveness of deep learning for medical image analysis. Although 3D self-supervised methods like volume contrast learning (VoCo) are powerful and partially address the labeling scarcity issue, their high computational cost and memory consumption are barriers. We propose 2D-VoCo, an efficient adaptation of the VoCo framework for slice-level self-supervised pre-training that learns spatial-semantic features from unlabeled 2D CT slices via contrastive learning. The pre-trained CNN backbone is then integrated into a CNN-LSTM architecture to classify multi-organ injuries. In the RSNA 2023 Abdominal Trauma dataset, 2D-VoCo pre-training significantly improves mAP, precision, recall, and RSNA score over training from scratch. Our framework provides a practical method to reduce the dependency on labeled data and enhance model performance in clinical CT analysis. We release the code for reproducibility. https://github.com/tkz05/2D-VoCo-CT-Classifier
• Abstract（参考訳）: エキスパートアノテーションの要件は、医用画像解析におけるディープラーニングの有効性を制限している。 ボリュームコントラスト学習(VoCo)のような3次元自己教師手法は強力であり、ラベル付け不足の問題に部分的に対処するが、高い計算コストとメモリ消費は障壁となる。 2D-VoCoは,非ラベル付き2DCTスライスから空間意味的特徴を学習する,スライスレベルの自己教師付き事前学習のためのVoCoフレームワークの効率的な適応法である。 トレーニング済みのCNNバックボーンはCNN-LSTMアーキテクチャに統合され、多臓器損傷を分類する。 RSNA 2023腹部外傷データセットでは、2D-VoCo事前トレーニングは、スクラッチからのトレーニングよりも、mAP、精度、リコール、RSNAスコアを大幅に改善する。 本フレームワークは,臨床CT解析におけるラベル付きデータへの依存性を低減し,モデル性能を向上させるための実用的手法を提供する。 再現性のためのコードをリリースします。 https://github.com/tkz05/2D-VoCo-CT-classifier

関連論文リスト

• Contextual Embedding Learning to Enhance 2D Networks for Volumetric Image Segmentation [5.995633685952995]
  2次元畳み込みニューラルネットワーク(CNN)は、体積データの空間的相関をほとんど利用できない。 本研究では,空間情報を適切にキャプチャする2次元CNNを実現するためのコンテキスト埋め込み学習手法を提案する。 提案手法では,学習した埋め込みとスライスワイズマッチングをソフトキューとして活用し,ネットワークを誘導する。
  論文  参考訳（メタデータ） (2024-04-02T08:17:39Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Self-supervised learning via inter-modal reconstruction and feature projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
  ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。 異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
  論文  参考訳（メタデータ） (2023-07-06T14:16:25Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification [1.714108629548376]
  我々は、y-Aware InfoNCE Losという新たな損失を導入することで、対照的な学習フレームワークにおいて、継続的なプロキシメタデータを活用することを提案する。 104ドルの健康脳MRIスキャンで事前訓練された3D CNNモデルは、3つの分類タスクに関連する特徴を抽出することができる。 微調整された場合、これらのタスクをスクラッチからトレーニングした3D CNNと、最先端の自己管理手法を上回ります。
  論文  参考訳（メタデータ） (2021-06-16T14:17:04Z)
• VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI [30.469124322749828]
  Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。 一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。 我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
  論文  参考訳（メタデータ） (2021-01-13T15:25:57Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis Classification [20.245580301060418]
  分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。 本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
  論文  参考訳（メタデータ） (2020-02-27T18:32:52Z)
• 2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
  3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。 本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。 その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
  論文  参考訳（メタデータ） (2020-02-11T08:24:19Z)

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。