論文の概要: Leveraging a Statistical Shape Model for Efficient Generation of Annotated Training Data: A Case Study on Liver Landmarks Segmentation

• arxiv url: http://arxiv.org/abs/2603.13969v1
• Date: Sat, 14 Mar 2026 14:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.517039
• Title: Leveraging a Statistical Shape Model for Efficient Generation of Annotated Training Data: A Case Study on Liver Landmarks Segmentation
• Title（参考訳）: 注釈付き学習データの効率的な生成のための統計的形状モデルを活用する:肝臓のランドマークセグメンテーションを事例として
• Authors: Denis Krnjaca, Lorena Krames, Werner Nahm,
• Abstract要約: 本稿では,手動でラベル付けされた平均形状に基づいて,統計的形状モデル(SSM)を用いて,大規模な注釈付きデータセットを作成するための新しい戦略を提案する。 専門的なディープラーニングネットワークは、SSMによって生成される8,800個の注釈付き肝臓形状で訓練された。 ネットワークの性能は500個の見当たらない合成SSM形状で評価され、平均91.4%のインターセクションが得られた。
• 参考スコア（独自算出の注目度）: 0.21847754147782883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anatomical landmark segmentation serves as a critical initial step for robust multimodal registration during computer-assisted interventions. Current approaches predominantly rely on deep learning, which often necessitates the extensive manual generation of annotated datasets. In this paper, we present a novel strategy for creating large annotated datasets using a statistical shape model (SSM) based on a mean shape that is manually labeled only once. We demonstrate the method's efficacy through its application to deep-learning-based anatomical landmark segmentation, specifically targeting the detection of the anterior ridge and the falciform ligament in 3D liver shapes. A specialized deep learning network was trained with 8,800 annotated liver shapes generated by the SSM. The network's performance was evaluated on 500 unseen synthetic SSM shapes, yielding a mean Intersection over Union of 91.4% (87.4% for the anterior ridge and 87.6% for the falciform ligament). Subsequently, the network was applied to clinical patient liver shapes, with qualitative evaluation indicating promising results and highlighting the generalizability of the proposed approach. Our findings suggest that the SSM-based data generation approach alleviates the labor-intensive process of manual labeling while enabling the creation of large annotated training datasets for machine learning. Although our study focuses on liver anatomy, the proposed methodology holds potential for a broad range of applications where annotated training datasets play a pivotal role in developing accurate deep-learning models.
• Abstract（参考訳）: 解剖学的ランドマークセグメンテーションは、コンピュータ支援の介入において、堅牢なマルチモーダル登録のための重要な初期ステップとなる。 現在のアプローチは主にディープラーニングに依存しており、注釈付きデータセットの広範な手動生成を必要とすることが多い。 本稿では,手動でラベル付けされた平均形状に基づいて,統計的形状モデル(SSM)を用いて,大規模な注釈付きデータセットを作成するための新しい手法を提案する。 本手法の有効性は, 深層学習に基づく解剖学的ランドマークセグメンテーションに応用し, とくに3次元肝形態における前隆起部および前十字靭帯の検出を対象とする。 専門的なディープラーニングネットワークは、SSMによって生成される8,800個の注釈付き肝臓形状で訓練された。 ネットワークの性能は500個の目に見えない合成SSM形状で評価され、平均インターセクションは91.4%(前方尾根は87.4%、ファルシフォーム靭帯は87.6%)となった。 その後,本ネットワークを臨床患者肝形態に適用し,有望な結果を示す質的評価と,提案手法の一般化性を強調した。 以上の結果から,SSMに基づくデータ生成手法により,手作業によるラベル付け作業が軽減され,機械学習のための大規模な注釈付きトレーニングデータセットの作成が可能であることが示唆された。 本研究は肝解剖学に焦点をあてるが,本手法は,アノテートトレーニングデータセットが正確なディープラーニングモデルの開発において重要な役割を果たす幅広い応用の可能性を秘めている。

関連論文リスト

• CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification [1.8352113484137627]
  本稿では,Curriculum Learning and Progressive Self-supervised Training(CURVETE)という,新しい深層畳み込みニューラルネットワークを提案する。 CurVETEは、限られたサンプルに関する課題に対処し、モデルの一般化性を高め、全体的な分類性能を向上させる。 これを実現するために, 一般的な未学習サンプルの学習中に, サンプル分解の粒度に基づいてカリキュラム学習戦略を適用する。
  論文  参考訳（メタデータ） (2025-10-27T15:46:02Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• 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)
• 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)
• ProtoKD: Learning from Extremely Scarce Data for Parasite Ova Recognition [5.224806515926022]
  ProtoKDは,極端に少ないデータを用いたマルチクラス寄生生物認識の課題に対処するための最初のアプローチの一つである。 我々は、この重要な方向の研究を推進し、提案したProtoKDフレームワークが最先端のパフォーマンスを達成することを検証するために、新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-09-18T23:49:04Z)
• Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization [0.674572634849505]
  核のインスタンスセグメンテーションは、幅広い臨床および研究応用において、基本的な役割を果たす。 ディープラーニング(DL)ベースのアプローチは、最高のパフォーマンスを提供するために示されています。 本稿では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-12T11:29:35Z)
• 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)

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。