Fugu-MT 論文翻訳(概要): Semi-supervised Liver Segmentation and Patch-based Fibrosis Staging with Registration-aided Multi-parametric MRI

論文の概要: Semi-supervised Liver Segmentation and Patch-based Fibrosis Staging with Registration-aided Multi-parametric MRI

arxiv url: http://arxiv.org/abs/2602.09686v1
Date: Tue, 10 Feb 2026 11:40:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-11 20:17:43.512267
Title: Semi-supervised Liver Segmentation and Patch-based Fibrosis Staging with Registration-aided Multi-parametric MRI
Title（参考訳）: レジストレーション支援マルチパラメトリックMRIによる半教師付き肝分節とパッチベース線維化の安定化
Authors: Boya Wang, Ruizhe Li, Chao Chen, Xin Chen,
Abstract要約: そこで本研究では, マルチパラメトリックMRIを用いた肝セグメンテーション(LiSeg)と肝線維症ステージング(LiFS)のためのマルチタスク深層学習フレームワークを提案する。 LiSegフェーズは、画像のセグメンテーションと登録を統合する半教師付き学習モデルを使用することで、限られたアノテートイメージの課題に対処する。 LiFS相では,分類出力に基づいて肝線維化の段階を可視化するパッチベースの手法を採用した。
参考スコア（独自算出の注目度）: 13.33205970973723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Liver fibrosis poses a substantial challenge in clinical practice, emphasizing the necessity for precise liver segmentation and accurate disease staging. Based on the CARE Liver 2025 Track 4 Challenge, this study introduces a multi-task deep learning framework developed for liver segmentation (LiSeg) and liver fibrosis staging (LiFS) using multiparametric MRI. The LiSeg phase addresses the challenge of limited annotated images and the complexities of multi-parametric MRI data by employing a semi-supervised learning model that integrates image segmentation and registration. By leveraging both labeled and unlabeled data, the model overcomes the difficulties introduced by domain shifts and variations across modalities. In the LiFS phase, we employed a patchbased method which allows the visualization of liver fibrosis stages based on the classification outputs. Our approach effectively handles multimodality imaging data, limited labels, and domain shifts. The proposed method has been tested by the challenge organizer on an independent test set that includes in-distribution (ID) and out-of-distribution (OOD) cases using three-channel MRIs (T1, T2, DWI) and seven-channel MRIs (T1, T2, DWI, GED1-GED4). The code is freely available. Github link: https://github.com/mileywang3061/Care-Liver
Abstract（参考訳）: 肝線維症は、正確な肝セグメンテーションと正確な疾患のステージングの必要性を強調し、臨床実践において重大な課題となる。本研究はCARE Liver 2025 Track 4 Challengeに基づいて,肝セグメンテーション(LiSeg)と肝線維症ステージング(LiFS)のためのマルチタスク深層学習フレームワークを提案する。 LiSegフェーズは、画像セグメンテーションと登録を統合する半教師付き学習モデルを用いることで、限られた注釈付き画像の課題とマルチパラメトリックMRIデータの複雑さに対処する。ラベル付きデータとラベルなしデータの両方を活用することで、モデルは、ドメインシフトやモダリティのバリエーションによってもたらされる困難を克服する。 LiFS相では,分類出力に基づいて肝線維化の段階を可視化するパッチベースの手法を採用した。提案手法は,マルチモーダル画像データ,限定ラベル,ドメインシフトを効果的に処理する。提案手法は, 3チャンネルMRI (T1, T2, DWI, GED1-GED4) と7チャンネルMRI (T1, T2, DWI, GED1-GED4) を用いて, 内分布 (ID) と外分布 (OOD) の症例を含む独立したテストセットを用いて実験を行った。コードは無料で入手できる。 Githubのリンク:https://github.com/mileywang3061/Care-Liver

関連論文リスト

Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
論文参考訳（メタデータ） (2025-11-10T03:22:42Z)
Label-Efficient Cross-Modality Generalization for Liver Segmentation in Multi-Phase MRI [6.755224757651558]
本研究では,実世界の条件下での相互モダリティの一般化を促進するラベル効率のセグメンテーション手法を提案する。本手法は, 微調整, 相互監督による協調訓練により, 基礎的な3次元セグメンテーションのバックボーンを統合し, ラベルなしボリュームを活用する。以上の結果より,多相多ベンダーMRIにおける肝セグメンテーションに対するラベル効率の高いベースラインの有用性が示唆された。
論文参考訳（メタデータ） (2025-10-06T11:19:05Z)
Multi-modal Liver Segmentation and Fibrosis Staging Using Real-world MRI Images [4.532336128355271]
肝線維化は肝障害の持続による過剰な細胞外マトリックスの蓄積を示す。近年の人工知能による肝セグメンテーションと線維化の進展は、非侵襲的な代替手段となる。 CARE 2025 Challengeは、現実のシナリオで肝線維症を定量化し分析する自動化手法を目的としている。
論文参考訳（メタデータ） (2025-09-30T10:35:30Z)
SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers [2.055026516354464]
SWTR-Unetと呼ばれるハイブリッドネットワークは、事前訓練されたResNet、トランスフォーマーブロック、共通のUnetスタイルのデコーダパスで構成されている。 Diceスコアが平均98-2%,MRIデータセットで81-28%,CTデータセットで97-2%,79-25%であったことから,提案したSWTR-Unetは肝病変と肝病変のセグメンテーションの正確なアプローチであることが判明した。
論文参考訳（メタデータ） (2022-01-26T14:52:23Z)
Unsupervised domain adaptation for cross-modality liver segmentation via joint adversarial learning and self-learning [2.309675169959214]
CT(Computed tomography)とMRI(MRI)を用いて取得した画像上の肝セグメンテーションは,肝疾患の臨床的管理において重要な役割を担っている。本研究では, 対人学習と自己学習を通じて, クロスモーダル肝セグメンテーションのための新しい教師なしドメイン適応フレームワークについて報告する。
論文参考訳（メタデータ） (2021-09-13T01:46:28Z)
Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
論文参考訳（メタデータ） (2021-08-01T07:28:32Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
FetReg: Placental Vessel Segmentation and Registration in Fetoscopy Challenge Dataset [57.30136148318641]
Fetoscopy Laser Photocoagulation はツイン・ツー・ツイン・トランスフュージョン症候群(TTTS)の治療に広く用いられている治療法であるこれにより、プロシージャ時間と不完全アブレーションが増加し、持続的なTTTSが生じる可能性がある。コンピュータ支援による介入は、ビデオモザイクによって胎児の視野を広げ、船体ネットワークのより良い視覚化を提供することによって、これらの課題を克服するのに役立つかもしれない。本稿では,長期フェトスコープビデオからドリフトフリーモザイクを作成することを目的とした,胎児環境のための汎用的でロバストなセマンティックセマンティックセグメンテーションとビデオモザイクアルゴリズムを開発するための大規模マルチセントデータセットを提案する。
論文参考訳（メタデータ） (2021-06-10T17:14:27Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文参考訳（メタデータ） (2021-02-24T04:09:39Z)

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。