Fugu-MT 論文翻訳(概要): Few-Shot Left Atrial Wall Segmentation in 3D LGE MRI via Meta-Learning

論文の概要: Few-Shot Left Atrial Wall Segmentation in 3D LGE MRI via Meta-Learning

arxiv url: http://arxiv.org/abs/2603.24985v1
Date: Thu, 26 Mar 2026 03:25:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-27 20:52:48.077337
Title: Few-Shot Left Atrial Wall Segmentation in 3D LGE MRI via Meta-Learning
Title（参考訳）: メタラーニングによる3次元LGE MRIにおける左心房壁分画の検討
Authors: Yusri Al-Sanaani, Rebecca Thornhill, Pablo Nery, Elena Pena, Robert deKemp, Calum Redpath, David Birnie, Sreeraman Rajan,
Abstract要約: 左心房壁セグメンテーションのためのモデル非依存メタラーニング(MAML)フレームワークを提案する。 MAMLは左心房・右心房空洞の補助的タスクと共に壁面タスクでメタトレーニングされる。我々は,MAMLセグメンテーション性能をホールドアウトテストセットで評価し,目に見えない合成シフトの下で頑健さを評価した。
参考スコア（独自算出の注目度）: 1.0680378628718095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmenting the left atrial wall from late gadolinium enhancement magnetic resonance images (MRI) is challenging due to the wall's thin geometry, low contrast, and the scarcity of expert annotations. We propose a Model-Agnostic Meta-Learning (MAML) framework for K-shot (K = 5, 10, 20) 3D left atrial wall segmentation that is meta-trained on the wall task together with auxiliary left atrial and right atrial cavity tasks and uses a boundary-aware composite loss to emphasize thin-structure accuracy. We evaluated MAML segmentation performance on a hold-out test set and assessed robustness under an unseen synthetic shift and on a distinct local cohort. On the hold-out test set, MAML appeared to improve segmentation performance compared to the supervised fine-tuning model, achieving a Dice score (DSC) of 0.64 vs. 0.52 and HD95 of 5.70 vs. 7.60 mm at 5-shot, and approached the fully supervised reference at 20-shot (0.69 vs. 0.71 DSC). Under unseen shift, performance degraded but remained robust: at 5-shot, MAML attained 0.59 DSC and 5.99 mm HD95 on the unseen domain shift and 0.57 DSC and 6.01 mm HD95 on the local cohort, with consistent gains as K increased. These results suggest that more accurate and reliable thin-wall boundaries are achievable in low-shot adaptation, potentially enabling clinical translation with minimal additional labeling for the assessment of atrial remodeling.
Abstract（参考訳）: 左心房壁を後期ガドリニウム強調磁気共鳴画像(MRI)から切り離すことは, 壁の細い形状, 低コントラスト, 専門家アノテーションの不足により困難である。 K-shot (K = 5, 10, 20) 3次元左心房壁セグメンテーションのためのモデル非依存型メタラーニング(MAML)フレームワークを提案する。我々は,MAMLセグメンテーション性能をホールドアウトテストセットで評価し,未知の合成シフトと異なる局所コホートでロバスト性を評価した。ホールドアウトテストセットでは、MAMLは監督された微調整モデルと比較してセグメンテーション性能を改善し、Diceスコア(DSC)が0.64 vs. 0.52、HD95が5ショットで5.70 vs. 7.60 mm、HD95が0.69 vs. 0.71 DSC)、完全に監督された基準が20ショットで到達した(0.69 vs. 0.71 DSC)。 5ショットで、MAMLは目に見えないドメインシフトで0.59 DSCと5.99 mm HD95、ローカルコホートで0.57 DSCと6.01 mm HD95を獲得した。以上の結果より, より正確で信頼性の高い薄壁境界は, ローショット適応において達成可能であることが示唆され, 心房リモデリングの評価において, 最小限のラベル付き臨床翻訳が可能である可能性が示唆された。

関連論文リスト

C2W-Tune: Cavity-to -Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D Late Gadolinium-enhanced Magnetic Resonance [1.452875650827562]
C2W-Tuneは2段階のキャビティ・ツー・ウォール・トランスファー・フレームワークである。高精度のLA空洞モデルを解剖学的に用いて、薄肉の脱線を改善する。 C2W-TuneはDiceスコアが0.78、HD95が3.15mmに達し、マルチクラスのベンチマークを上回った。
論文参考訳（メタデータ） (2026-03-26T03:35:35Z)
DMD-augmented Unpaired Neural Schrödinger Bridge for Ultra-Low Field MRI Enhancement [45.02203416553436]
ペア64mT - 3 Tスキャンは少ないため、未ペア64mT$rightarrow$3T翻訳フレームワークを提案する。提案手法は,多段改良によるUnpaired Neural Schrdinge Bridge (UNSB) 上に構築する。
論文参考訳（メタデータ） (2026-03-04T06:26:52Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
TopoGate: Quality-Aware Topology-Stabilized Gated Fusion for Longitudinal Low-Dose CT New-Lesion Prediction [0.0]
本稿では、フォローアップの外観ビューとサブトラクションビューを組み合わせた軽量モデルであるTopoGateを提案する。ゲートは、CTの外観品質、登録整合性、およびトポロジカルメトリクスで測定された解剖学的トポロジの安定性の3つのケース固有信号によって駆動される。
論文参考訳（メタデータ） (2026-02-19T21:41:00Z)
Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文参考訳（メタデータ） (2025-11-11T04:16:12Z)
Enhancement Without Contrast: Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging [2.5012408467295555]
機械学習(ML)を用いた非コントラストMRIからのコントラスト強調予測は、ガドリニウムベースのコントラストエージェント(GBCA)のより安全な代替手段を提供するグリオーマMRIコントラスト強調のマルチセンター予測のための再現可能なMLパイプラインを同定するための安定性を考慮したフレームワークを提案する。
論文参考訳（メタデータ） (2025-09-13T00:47:07Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文参考訳（メタデータ） (2025-08-19T14:41:22Z)
Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
論文参考訳（メタデータ） (2023-08-06T03:28:08Z)
Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。前立腺切除術による脱線をMRIでトレーニングした。前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文参考訳（メタデータ） (2020-10-28T21:07:09Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。