論文の概要: Mask-HybridGNet: Graph-based segmentation with emergent anatomical correspondence from pixel-level supervision

• arxiv url: http://arxiv.org/abs/2602.21179v1
• Date: Tue, 24 Feb 2026 18:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.881914
• Title: Mask-HybridGNet: Graph-based segmentation with emergent anatomical correspondence from pixel-level supervision
• Title（参考訳）: Mask-HybridGNet:画素レベルの監督による創発的解剖学的対応によるグラフベースセグメンテーション
• Authors: Nicolás Gaggion, Maria J. Ledesma-Carbayo, Stergios Christodoulidis, Maria Vakalopoulou, Enzo Ferrante,
• Abstract要約: Mask-HybridGNetは,標準画素マスクを用いてグラフモデルを直接トレーニングするフレームワークである。 提案手法は可変長基底真理境界と固定長ランドマーク予測とを一致させる。 高品質なピクセルベースモデルから安定な解剖学的アトラスを生成する。
• 参考スコア（独自算出の注目度）: 5.993347590895742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based medical image segmentation represents anatomical structures using boundary graphs, providing fixed-topology landmarks and inherent population-level correspondences. However, their clinical adoption has been hindered by a major requirement: training datasets with manually annotated landmarks that maintain point-to-point correspondences across patients rarely exist in practice. We introduce Mask-HybridGNet, a framework that trains graph-based models directly using standard pixel-wise masks, eliminating the need for manual landmark annotations. Our approach aligns variable-length ground truth boundaries with fixed-length landmark predictions by combining Chamfer distance supervision and edge-based regularization to ensure local smoothness and regular landmark distribution, further refined via differentiable rasterization. A significant emergent property of this framework is that predicted landmark positions become consistently associated with specific anatomical locations across patients without explicit correspondence supervision. This implicit atlas learning enables temporal tracking, cross-slice reconstruction, and morphological population analyses. Beyond direct segmentation, Mask-HybridGNet can extract correspondences from existing segmentation masks, allowing it to generate stable anatomical atlases from any high-quality pixel-based model. Experiments across chest radiography, cardiac ultrasound, cardiac MRI, and fetal imaging demonstrate that our model achieves competitive results against state-of-the-art pixel-based methods, while ensuring anatomical plausibility by enforcing boundary connectivity through a fixed graph adjacency matrix. This framework leverages the vast availability of standard segmentation masks to build structured models that maintain topological integrity and provide implicit correspondences.
• Abstract（参考訳）: グラフベースの医療画像セグメンテーションは、境界グラフを用いて解剖学的構造を表し、固定トポロジーのランドマークと固有の人口レベルの対応を提供する。 しかし、彼らの臨床導入は大きな要件によって妨げられている: 手動で注釈付けされたランドマークで、患者間のポイント・ツー・ポイントの対応を維持するデータセットが実際に存在することはめったにない。 Mask-HybridGNetは、標準的なピクセルワイドマスクを使ってグラフベースのモデルを直接訓練するフレームワークで、手動のランドマークアノテーションを必要としない。 提案手法は,局所的な滑らかさと正規なランドマーク分布を確保するために,チャムファー距離監督とエッジベース正規化を組み合わせることで,可変長の接地真実境界を固定長のランドマーク予測と整合させる。 この枠組みの顕著な特徴は、予測されたランドマーク位置が、明確な対応監督なしに、患者全体にわたる特定の解剖学的位置と一貫して関連付けられることである。 この暗黙のアトラス学習は、時間的追跡、クロススライス再構築、および形態学的人口分析を可能にする。 Mask-HybridGNetは直接セグメンテーション以外にも、既存のセグメンテーションマスクから対応を抽出し、高品質のピクセルベースモデルから安定した解剖学的アトラスを生成することができる。 胸部X線撮影, 心エコー, 心臓MRI, 胎児画像を用いた実験により, 固定されたグラフアジャシエイトマトリクスを介して境界接続を強制することにより, 最新のピクセル法と競合する結果が得られた。 このフレームワークは、標準セグメンテーションマスクの膨大な可用性を活用して、トポロジ的整合性を維持し、暗黙の対応を提供する構造化モデルを構築する。

関連論文リスト

• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
  我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。 低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。 大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
  論文  参考訳（メタデータ） (2024-01-22T07:34:06Z)
• Latent Graph Representations for Critical View of Safety Assessment [2.9724186623561435]
  CVS予測の手法として,まず乱れのあるシーングラフを用いて手術画像の表現を行い,その表現をグラフニューラルネットワークを用いて処理する手法を提案する。 我々のグラフ表現は、意味情報を明示的に符号化し、解剖学的推論を改善するとともに、視覚的特徴を識別可能性を維持し、意味的誤りに対する堅牢性を提供する。 本手法は,ボックスアノテーションのトレーニングにおいて,複数のベースラインメソッドよりも優れるだけでなく,セグメンテーションマスクのトレーニング時にも効果的にスケールし,最先端のパフォーマンスを維持していることを示す。
  論文  参考訳（メタデータ） (2022-12-08T09:21:09Z)
• A Learning-based Framework for Topology-Preserving Segmentation using Quasiconformal Mappings [3.4798343542796593]
  画像中の物体を位相特性を維持しながら抽出できる変形モデルを提案する。 このネットワークは、限られたデータでトレーニングされた場合でも、テンプレートマスクと同じトポロジを持つセグメンテーションマスクを生成する。
  論文  参考訳（メタデータ） (2022-10-07T03:13:35Z)
• Improving anatomical plausibility in medical image segmentation via hybrid graph neural networks: applications to chest x-ray analysis [3.3382651833270587]
  我々は、画像特徴符号化とグラフ畳み込みニューラルネットワーク(GCNN)の標準畳み込みを利用して、解剖学的構造の可塑性表現を復号するエンコーダデコーダニューラルアーキテクチャであるHybridGNetを紹介する。 新たなイメージ・ツー・グラフ・スキップ接続層により、標準的な畳み込みブロックからGCNNブロックへローカライズされた機能が流れ、セグメンテーションの精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-03-21T13:37:23Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。