論文の概要: Multi-View Consistent Wound Segmentation With Neural Fields

• arxiv url: http://arxiv.org/abs/2601.16487v1
• Date: Fri, 23 Jan 2026 06:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.571176
• Title: Multi-View Consistent Wound Segmentation With Neural Fields
• Title（参考訳）: ニューラルフィールドを用いたマルチビューコンシステント・ハウンド・セグメンテーション
• Authors: Remi Chierchia, Léo Lebrat, David Ahmedt-Aristizabal, Yulia Arzhaeva, Olivier Salvado, Clinton Fookes, Rodrigo Santa Cruz,
• Abstract要約: 我々は,NeRF SDFをベースとしたWoundNeRFの評価を行った。 我々は、最先端のビジョンネットワークや従来のアルゴリズムと比較することにより、正確なセグメンテーションを復元する際のこのパラダイムの可能性を実証する。
• 参考スコア（独自算出の注目度）: 22.067467532297723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wound care is often challenged by the economic and logistical burdens that consistently afflict patients and hospitals worldwide. In recent decades, healthcare professionals have sought support from computer vision and machine learning algorithms. In particular, wound segmentation has gained interest due to its ability to provide professionals with fast, automatic tissue assessment from standard RGB images. Some approaches have extended segmentation to 3D, enabling more complete and precise healing progress tracking. However, inferring multi-view consistent 3D structures from 2D images remains a challenge. In this paper, we evaluate WoundNeRF, a NeRF SDF-based method for estimating robust wound segmentations from automatically generated annotations. We demonstrate the potential of this paradigm in recovering accurate segmentations by comparing it against state-of-the-art Vision Transformer networks and conventional rasterisation-based algorithms. The code will be released to facilitate further development in this promising paradigm.
• Abstract（参考訳）: ハウンドケアは、世界中の患者や病院を継続的に苦しめている経済的、物的負担によってしばしば挑戦される。 近年、医療専門家はコンピュータビジョンと機械学習アルゴリズムの支援を求めている。 特に、標準的なRGB画像から高速で自動的な組織アセスメントをプロに提供する能力によって、創傷のセグメンテーションが関心を集めている。 いくつかのアプローチはセグメンテーションを3Dに拡張し、より完全で正確なヒーリングプログレストラッキングを可能にした。 しかし、2次元画像から多視点一貫した3次元構造を推定することは依然として困難である。 本稿では,NeRF SDFをベースとしたハウンドNeRFの評価を行い,自動生成アノテーションからロバストな創傷セグメントを推定する手法を提案する。 我々は、最先端のVision Transformerネットワークと従来のラスタライズに基づくアルゴリズムとを比較して、正確なセグメンテーションを復元する際のこのパラダイムの可能性を実証する。 コードは、この有望なパラダイムでさらなる開発を促進するためにリリースされます。

関連論文リスト

• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• CENet: Context Enhancement Network for Medical Image Segmentation [3.4690322157094573]
  本稿では,2つの重要なイノベーションを特徴とする新しいセグメンテーションフレームワークであるCENetを提案する。 まず、スキップ接続に統合されたDual Selective Enhancement Block(DSEB)は境界の詳細を高め、コンテキスト対応で小さな臓器の検出を改善する。 第二に、デコーダのContext Feature Attention Module (CFAM)は、空間的整合性を維持し、特徴の冗長性を低減し、過剰に拡張された表現を緩和するために、マルチスケールの設計を採用している。
  論文  参考訳（メタデータ） (2025-05-23T23:22:18Z)
• A Novel Convolutional-Free Method for 3D Medical Imaging Segmentation [0.0]
  畳み込みニューラルネットワーク(CNN)がこの分野を支配し、3次元の医用画像セグメンテーションで大きな成功を収めている。 TransUNetやnnFormerのような最近のトランスフォーマーベースのモデルは、これらの制限に対処することを約束している。 本稿では,トランスアーキテクチャと自己認識機構に基づく,新しい完全畳み込みフリーモデルを提案する。
  論文  参考訳（メタデータ） (2025-02-08T00:52:45Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Few-shot image segmentation for cross-institution male pelvic organs using registration-assisted prototypical learning [13.567073992605797]
  本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。 興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。 内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
  論文  参考訳（メタデータ） (2022-01-17T11:44:10Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。