論文の概要: Towards Segmenting the Invisible: An End-to-End Registration and Segmentation Framework for Weakly Supervised Tumour Analysis

• arxiv url: http://arxiv.org/abs/2602.05453v1
• Date: Thu, 05 Feb 2026 08:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.851088
• Title: Towards Segmenting the Invisible: An End-to-End Registration and Segmentation Framework for Weakly Supervised Tumour Analysis
• Title（参考訳）: Invisible のセグメンテーションに向けて:弱教師付きタムール解析のための End-to-End レジストレーションとセグメンテーションフレームワーク
• Authors: Budhaditya Mukhopadhyay, Chirag Mandal, Pavan Tummala, Naghmeh Mahmoodian, Andreas Nürnberger, Soumick Chatterjee,
• Abstract要約: 肝腫瘍のアブレーションは重要な臨床的課題である。 病理組織と健康組織との対比が極端に少ないため,術中CTでは見えないことが多い。 本研究は,1つのモードで病理が見えるが,もう1つのモードでは存在しないシナリオに対して,相互モダリティの弱い監視の実現可能性について検討する。
• 参考スコア（独自算出の注目度）: 0.5716776378742904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liver tumour ablation presents a significant clinical challenge: whilst tumours are clearly visible on pre-operative MRI, they are often effectively invisible on intra-operative CT due to minimal contrast between pathological and healthy tissue. This work investigates the feasibility of cross-modality weak supervision for scenarios where pathology is visible in one modality (MRI) but absent in another (CT). We present a hybrid registration-segmentation framework that combines MSCGUNet for inter-modal image registration with a UNet-based segmentation module, enabling registration-assisted pseudo-label generation for CT images. Our evaluation on the CHAOS dataset demonstrates that the pipeline can successfully register and segment healthy liver anatomy, achieving a Dice score of 0.72. However, when applied to clinical data containing tumours, performance degrades substantially (Dice score of 0.16), revealing the fundamental limitations of current registration methods when the target pathology lacks corresponding visual features in the target modality. We analyse the "domain gap" and "feature absence" problems, demonstrating that whilst spatial propagation of labels via registration is feasible for visible structures, segmenting truly invisible pathology remains an open challenge. Our findings highlight that registration-based label transfer cannot compensate for the absence of discriminative features in the target modality, providing important insights for future research in cross-modality medical image analysis. Code an weights are available at: https://github.com/BudhaTronix/Weakly-Supervised-Tumour-Detection
• Abstract（参考訳）: 術前MRIでは明らかな腫瘍像が認められるが,病理組織と健康組織との対比が極端に少ないため,術中CTでは効果的に見えないことが多い。 本研究は,1つのモダリティ (MRI) で病理が観察されるが,もう1つのモダリティ (CT) では発見できないシナリオに対して,相互モダリティの弱い監督が実現可能であることを検討する。 我々は、モーダル間画像登録のためのMSCGUNetとUNetベースのセグメンテーションモジュールを組み合わせたハイブリッドな登録分離フレームワークを提案し、CT画像の登録支援擬似ラベル生成を可能にする。 CHAOSデータセットを用いて評価したところ、パイプラインは正常な肝解剖の登録とセグメント化に成功し、Diceスコア0.72を達成できた。 しかし、腫瘍を含む臨床データに適用すると、パフォーマンスは著しく低下し(Dice score は0.16)、対象の病態が対象のモダリティの対応する視覚的特徴を欠いている場合、現在の登録方法の基本的限界が明らかになる。 我々は「領域ギャップ」と「機能欠如」の問題を解析し、登録によるラベルの空間的伝播が可視構造に対して可能である一方で、真に見えない病理をセグメント化することはオープンな課題であることを示した。 以上の結果から, 登録に基づくラベル転送は, 対象モダリティにおける識別的特徴の欠如を補うことはできないことが示唆された。 code an weights is available at https://github.com/BudhaTronix/Weakly-Supervised-Tumour-Detection

関連論文リスト

• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• Leveraging Unlabeled Scans for NCCT Image Segmentation in Early Stroke Diagnosis: A Semi-Supervised GAN Approach [4.199320411821769]
  虚血性脳卒中は、患者の予後を改善するために急激な診断が不可欠である、時間的クリティカルな医療緊急事態である。 非コントラストCT(non-contrast Computed tomography)は、最前線撮影ツールとして機能するが、早期の超急性期における微妙な虚血変化を明らかにするのに失敗することが多い。 本稿では,早期虚血性脳梗塞領域を正確に記述するためのGANを用いた半教師付きセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2025-11-24T18:14:53Z)
• GlanceSeg: Real-time microaneurysm lesion segmentation with gaze-map-guided foundation model for early detection of diabetic retinopathy [13.055297330424397]
  早期糖尿病網膜症(DR)は微小血管腫による臨床診断に課題を呈する。 セグメント・アズ・モデル(SAM)に基づいて,GlanceSeg というラベルフリー早期DR診断フレームワークを提案する。 GlanceSegは眼科医が眼底の画像をレビューするときに、微小血管腫の病変のリアルタイムセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2023-11-14T10:59:45Z)
• Co-Learning Semantic-aware Unsupervised Segmentation for Pathological Image Registration [11.471174214165751]
  本稿では,病理画像登録のための新しい教師なしアプローチであるGIRNetを提案する。 病理画像の登録は、完全に教師なしの学習フレームワークで達成される。 以上の結果から,本手法は画像診断に難渋した場合でも,病理像の登録と病変の同定を正確に行うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:13:28Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration [12.861503169117208]
  マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。 周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。 対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
  論文  参考訳（メタデータ） (2021-04-14T18:07:03Z)

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。