論文の概要: Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation

• arxiv url: http://arxiv.org/abs/2603.00979v1
• Date: Sun, 01 Mar 2026 08:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.441546
• Title: Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation
• Title（参考訳）: Fake it right: Injecting anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation
• Authors: Jiaqi Tang, Mengyan Zheng, Shu Zhang, Fandong Zhang, Qingchao Chen,
• Abstract要約: ビジョントランスフォーマー(ViT)は3次元の医療セグメンテーションで優れるが、大量のデータセットを必要とする。 Formula-Driven Supervised Learning (F)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。 本稿では,Fの無限拡張性と解剖学的リアリズムを一体化するための注釈付きインフォームド・シンセティック・アナトロジー・プレトレーニング・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.75204301463342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision Transformers (ViTs) excel in 3D medical segmentation but require massive annotated datasets. While Self-Supervised Learning (SSL) mitigates this using unlabeled data, it still faces strict privacy and logistical barriers. Formula-Driven Supervised Learning (FDSL) offers a privacy-preserving alternative by pre-training on synthetic mathematical primitives. However, a critical semantic gap limits its efficacy: generic shapes lack the morphological fidelity, fixed spatial layouts, and inter-organ relationships of real anatomy, preventing models from learning essential global structural priors. To bridge this gap, we propose an Anatomy-Informed Synthetic Supervised Pre-training framework unifying FDSL's infinite scalability with anatomical realism. We replace basic primitives with a lightweight shape bank with de-identified, label-only segmentation masks from 5 subjects. Furthermore, we introduce a structure-aware sequential placement strategy to govern the patch synthesis process. Instead of random placement, we enforce physiological plausibility using spatial anchors for correct localization and a topological graph to manage inter-organ interactions (e.g., preventing impossible overlaps). Extensive experiments on BTCV and MSD datasets demonstrate that our method significantly outperforms state-of-the-art FDSL baselines and SSL methods by 1.74\% and up to 1.66\%, while exhibiting a robust scaling effect where performance improves with increased synthetic data volume. This provides a data-efficient, privacy-compliant solution for medical segmentation. The code will be made publicly available upon acceptance.
• Abstract（参考訳）: ビジョントランスフォーマー(ViT)は、3次元の医療セグメンテーションで優れるが、大量のアノテートデータセットを必要とする。 自己監視学習(SSL)は、ラベルのないデータを使ってこれを緩和するが、それでも厳格なプライバシーと論理的障壁に直面している。 フォーミュラ駆動監視学習(FDSL)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。 一般的な形状は、形態的忠実さ、固定された空間配置、そして実際の解剖学の組織間関係が欠如しており、モデルが重要なグローバルな構造的先行性を学ぶのを妨げている。 このギャップを埋めるために、FDSLの無限のスケーラビリティと解剖学的リアリズムを統一する解剖学的インフォームド・シンセティック・スーパービジョン・プレトレーニングフレームワークを提案する。 基本的プリミティブを軽量な形状バンクに置き換え、ラベルのみのセグメンテーションマスクを5つの被験者から同定する。 さらに、パッチ合成プロセスを管理するために、構造対応シーケンシャル配置戦略を導入する。 ランダムな配置の代わりに,空間的アンカーを用いて正確な位置付けを行い,トポロジカルグラフを用いて組織間相互作用(例えば,不可能な重複を防ぐ)を管理する。 BTCVおよびMSDデータセットの大規模な実験により,我々の手法は,合成データ量の増加により性能が向上するロバストなスケーリング効果を示しながら,最先端のFDSLベースラインとSSLメソッドを1.74\%,最大1.66\%で大幅に向上することを示した。 これにより、医療セグメント化のためのデータ効率が高く、プライバシに準拠するソリューションが提供される。 コードは受理時に公開されます。

関連論文リスト

• The Texture-Shape Dilemma: Boundary-Safe Synthetic Generation for 3D Medical Transformers [22.195374577712133]
  ViTは医療画像分析に革命をもたらしたが、そのデータ不足の性質は、臨床アーカイブの不足とプライバシーの制約と衝突している。 フォーミュラ駆動型スーパービジョンラーニングは、このボトルネックに対する有望な解決策として現れ、実際の患者データを活用することなく、数学的公式から無限の注釈付きサンプルを合成している。 既存のFパラダイムは、均一な強度を持つ単純な幾何学的手法に依存しており、組織テクスチャやCTやMRIのようなモダリティに固有のノイズパターンを無視して、実質的なギャップを生み出している。 本稿では,高頻度合成テクスチャを鼻で添加すると,構造境界の学習に必要な画像勾配信号が劣化し,原因となる臨界衝突境界を同定する。
  論文  参考訳（メタデータ） (2026-03-01T08:27:45Z)
• Federated Learning Meets LLMs: Feature Extraction From Heterogeneous Clients [0.0]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。 我々は,事前学習された大規模言語モデル(LLM)を普遍的特徴抽出器として利用するフレームワークであるFedLLM-Alignを提案する。 冠動脈疾患予測におけるFedLLM-Alignの評価は,シミュレートされたスキーマ分岐を用いた分割データセットを用いて行われる。
  論文  参考訳（メタデータ） (2025-09-29T14:06:52Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• Generalizing Segmentation Foundation Model Under Sim-to-real Domain-shift for Guidewire Segmentation in X-ray Fluoroscopy [1.4353812560047192]
  Sim-to-real ドメイン適応アプローチは、コスト効率の良いソリューションを提供するシミュレーションから合成データを利用する。 対象領域のアノテーションを使わずに、SAMを蛍光X線ガイドワイヤセグメント化に適応させる戦略を提案する。 提案手法は、事前訓練されたSAMと、最先端のドメイン適応技術の両方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） (2024-10-09T21:59:48Z)
• Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 InSeInは、手元に設定されたセグメンテーショントレーニングから空間クラス関係を規定する明示的な包含制約を抽出する。 そして、予測可能性を促進するために、トレーニング中にこれらの制約の違反を罰する形態的だが差別的な損失を強制する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。 本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。 我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• AttenScribble: Attentive Similarity Learning for Scribble-Supervised Medical Image Segmentation [5.8447004333496855]
  本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。 我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。 この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
  論文  参考訳（メタデータ） (2023-12-11T18:42:18Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。