論文の概要: Retinal Layer Segmentation in OCT Images With 2.5D Cross-slice Feature Fusion Module for Glaucoma Assessment
- arxiv url: http://arxiv.org/abs/2603.24115v1
- Date: Wed, 25 Mar 2026 09:23:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.224358
- Title: Retinal Layer Segmentation in OCT Images With 2.5D Cross-slice Feature Fusion Module for Glaucoma Assessment
- Title（参考訳）: 緑内障評価用2.5Dクロススライス機能融合モジュールを用いたOCT画像の網膜層分割
- Authors: Hyunwoo Kim, Heesuk Kim, Wungrak Choi, Jae-Sang Hyun,
- Abstract要約: 3Dセグメンテーション法はスライス・スライス・スライス・コンテキストを捉えるのに優れているが、高価な計算資源を必要とする。
本稿では,新しいクロススライス機能融合(CFF)モジュールをU-Netのようなアーキテクチャに組み込んだ2.5Dセグメンテーション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）: 3.07072197081151
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: For accurate glaucoma diagnosis and monitoring, reliable retinal layer segmentation in OCT images is essential. However, existing 2D segmentation methods often suffer from slice-to-slice inconsistencies due to the lack of contextual information across adjacent B-scans. 3D segmentation methods are better for capturing slice-to-slice context, but they require expensive computational resources. To address these limitations, we propose a 2.5D segmentation framework that incorporates a novel cross-slice feature fusion (CFF) module into a U-Net-like architecture. The CFF module fuses inter-slice features to effectively capture contextual information, enabling consistent boundary detection across slices and improved robustness in noisy regions. The framework was validated on both a clinical dataset and the publicly available DUKE DME dataset. Compared to other segmentation methods without the CFF module, the proposed method achieved an 8.56% reduction in mean absolute distance and a 13.92% reduction in root mean square error, demonstrating improved segmentation accuracy and robustness. Overall, the proposed 2.5D framework balances contextual awareness and computational efficiency, enabling anatomically reliable retinal layer delineation for automated glaucoma evaluation and potential clinical applications.
- Abstract（参考訳）: 緑内障の正確な診断とモニタリングには,OCT画像における信頼できる網膜層セグメンテーションが不可欠である。
しかし, 既存の2次元分割法は, 隣接するBスキャン間のコンテキスト情報の欠如により, スライス・スライス・スライスの不整合に悩まされることが多い。
3Dセグメンテーション法はスライス・スライス・スライス・コンテキストを捉えるのに優れているが、高価な計算資源を必要とする。
これらの制約に対処するため、新しいクロススライス機能融合(CFF)モジュールをU-Netのようなアーキテクチャに組み込んだ2.5Dセグメンテーションフレームワークを提案する。
CFFモジュールは、スライス間機能を融合してコンテキスト情報を効果的にキャプチャし、スライス間の一貫した境界検出を可能にし、ノイズの多い領域での堅牢性を向上させる。
このフレームワークは臨床データセットと公開されているDUKE DMEデータセットの両方で検証された。
CFFモジュールを持たない他のセグメンテーション法と比較して、提案手法は平均絶対距離が8.56%減少し、ルート平均平方誤差が13.92%減少し、セグメンテーション精度とロバスト性が改善された。
提案した2.5Dフレームワークは、文脈認識と計算効率のバランスを保ち、自動緑内障評価のための解剖学的信頼性の高い網膜層デライン化と潜在的な臨床応用を可能にした。
関連論文リスト
- TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
本稿では,医用画像分割フレームワークTAB Netを提案する。
三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。
我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-07-03T07:50:00Z) - CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。
CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。
GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
論文 参考訳（メタデータ） (2024-06-20T10:46:50Z) - CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳（メタデータ） (2024-05-28T15:17:58Z) - A Flexible 2.5D Medical Image Segmentation Approach with In-Slice and Cross-Slice Attention [13.895277069418045]
任意の数のスライスで2.5D画像を処理できるフレキシブル2.5DセグメンテーションモデルであるCSA-Netを紹介する。
1)脳MRI,(2)バイナリ前立腺MRIのセグメンテーション,(3)マルチクラス前立腺MRIのセグメンテーションの3つのタスクについてCSA-Netを評価した。
論文 参考訳（メタデータ） (2024-04-30T18:28:09Z) - A Mutual Inclusion Mechanism for Precise Boundary Segmentation in Medical Images [2.9137615132901704]
医用画像の正確な境界セグメンテーションのための新しい深層学習手法MIPC-Netを提案する。
位置特徴抽出時のチャネル情報に重点を置くMIPCモジュールを提案する。
また,エンコーダとデコーダの統合性を高めるグローバルな残差接続であるGL-MIPC-Residueを提案する。
論文 参考訳（メタデータ） (2024-04-12T02:14:35Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。
その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-23T20:55:11Z) - 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)
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。