論文の概要: C2W-Tune: Cavity-to -Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D Late Gadolinium-enhanced Magnetic Resonance

• arxiv url: http://arxiv.org/abs/2603.24992v1
• Date: Thu, 26 Mar 2026 03:35:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.081094
• Title: C2W-Tune: Cavity-to -Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D Late Gadolinium-enhanced Magnetic Resonance
• Title（参考訳）: C2W-Tune:Cavity-to-Wall Transfer Learning for Thin Atrial Wall Segmentation in 3D Late Gadolinium-enhanced Magnetic Resonance (特集:C2W-Tune)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.452875650827562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of the left atrial (LA) wall in 3D late gadolinium-enhanced MRI (LGE-MRI) is essential for wall thickness mapping and fibrosis quantification, yet it remains challenging due to the wall's thinness, complex anatomy, and low contrast. We propose C2W-Tune, a two-stage cavity-to-wall transfer framework that leverages a high-accuracy LA cavity model as an anatomical prior to improve thin-wall delineation. Using a 3D U-Net with a ResNeXt encoder and instance normalization, Stage 1 pre-trains the network to segment the LA cavity, learning robust atrial representations. Stage 2 transfers these weights and adapts the network to LA wall segmentation using a progressive layer-unfreezing schedule to preserve endocardial features while enabling wall-specific refinement. Experiments on the 2018 LA Segmentation Challenge dataset demonstrate substantial gains over an architecture-matched baseline trained from scratch: wall Dice improves from 0.623 to 0.814, and Surface Dice at 1 mm improves from 0.553 to 0.731. Boundary errors were substantially reduced, with the 95th-percentile Hausdorff distance (HD95) decreasing from 2.95 mm to 2.55 mm and the average symmetric surface distance (ASSD) from 0.71 mm to 0.63 mm. Furthermore, even with reduced supervision (70 training volumes sampled from the same training pool), C2W-Tune achieved a Dice score of 0.78 and an HD95 of 3.15 mm, maintaining competitive performance and exceeding multi-class benchmarks that typically report Dice values around 0.6-0.7. These results show that anatomically grounded task transfer with controlled fine-tuning improves boundary accuracy for thin LA wall segmentation in 3D LGE-MRI.
• Abstract（参考訳）: 左心房(LA)壁の3次元後期ガドリニウム造影MRI(LGE-MRI)の正確な分画は,壁厚マッピングと線維化定量化に必須であるが,壁の薄さ,複雑な解剖,低コントラストのために依然として困難である。 我々は,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C2W-Tuneを提案する。 ResNeXtエンコーダを備えた3D U-Netとインスタンス正規化を使用して、Stage 1はネットワークを事前トレーニングしてLA空洞を分断し、堅牢な心房表現を学習する。 ステージ2はこれらの重みを移し、プログレッシブ層凍結スケジュールを用いてLA壁セグメンテーションにネットワークを適応させ、心筋の特徴を保存し、壁特異的精製を可能にする。 2018年のLAセグメンテーションチャレンジデータセットの実験では、スクラッチからトレーニングされたアーキテクチャマッチングベースラインよりも大幅に向上した。 境界誤差は大幅に減少し、95パーセントのハウスドルフ距離(HD95)は2.95mmから2.55mmに減少し、平均対称表面距離(ASSD)は0.71mmから0.63mmに減少した。 さらに、Diceスコアは0.78、HD95は3.15mm、Diceスコアは0.6-0.7と通常報告されるマルチクラスのベンチマークを上回り、監督を減らした(同じトレーニングプールから70のトレーニングボリュームがサンプリングされた)にもかかわらず、C2W-TuneはDiceスコアが0.78、HD95は3.15mmに達した。 これらの結果から, 3次元LGE-MRIにおいて, 微調整制御による解剖学的タスク伝達により, 薄いLA壁セグメンテーションの境界精度が向上することが示唆された。

関連論文リスト

• LeCor: Learning to Be Corrected by Meta-Learned Test-Time Training for Interactive 3D Lung-Tumour Segmentation [45.86925813888675]
  肺腫瘍におけるSAM 3の微調整は、0.298から0.757までの1点のプロンプトから得られるDiceを上昇させ、7ラウンドの補正によりさらに0.765まで上昇させる。 ケース毎にリセットされたケースアダプタの小さなセットでテスト時間トレーニングを行うLeCorを提案する。 LeCor は 7 回の補正ラウンドを 0.787 から 0.827 に引き上げ、0.80 を 47 から 27 に到達しないケースの数を 47 から 27 に減らし、3 回の補正ラウンドで細調整モデルが 7 で到達した精度を下げる。
  論文  参考訳（メタデータ） (2026-09-08T21:49:56Z)
• Native-Space 3D CarveMix for Multi-Site T1w Stroke Segmentation [0.11739570123067224]
  MedNeXt-Lのバックボーンと3D CarveMixを併用し、トレーニング中に実際の病変を健康な脳領域に貼り付ける。 提案手法は,500エポックで0.648,MedNeXt-Lバックボーンで0.018の改善が得られた。
  論文  参考訳（メタデータ） (2026-08-24T22:45:11Z)
• A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery [5.486895610501164]
  左前下行動脈(LAD)の3次元自由呼吸,非造影CTの正確な分画は胸部放射線療法における心筋線量減少に必須である。 本研究では,3次元トランスフォーマベースセグメンテーションモデルであるNA-UNETRを提案する。 Dice-Focal と Hausdorff の複合損失は、相補的不確実性によって動的にバランスが取れ、重なり合いと境界の精度が向上する。
  論文  参考訳（メタデータ） (2026-08-12T17:13:59Z)
• DINO-3DRA: Leveraging 2D Foundation Model Semantics for 3D Cerebral Aneurysm Segmentation [42.65813094687315]
  本稿では,DINO-3DRAを提案する。 マルチ中心3DRAデータでは、DINO-3DRAは5.72Mのトレーニング可能なパラメータしか持たない最先端の動脈瘤セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2026-08-07T21:17:11Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
  4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。 現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。 低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。 7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
  論文  参考訳（メタデータ） (2026-06-14T05:12:57Z)
• Attenuation-Resilient Alternating Optimization for Laparoscopic Liver Landmark Detection [45.05240977535136]
  腹腔鏡下肝手術において,肝表面のランドマーク検出は解剖学的指導の必須条件である。 実際には、未露出領域における照明減衰と、ピクセルワイズ局在化と連続曲線幾何学の間の構造的ミスマッチという2つの広範囲にわたる課題のために、信頼できないままである。 A2ONetは、肝臓のロバストなランドマーク検出のための減衰-弾性交互最適化ネットワークである。
  論文  参考訳（メタデータ） (2026-05-26T07:06:10Z)
• Few-Shot Left Atrial Wall Segmentation in 3D LGE MRI via Meta-Learning [1.0680378628718095]
  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。
  論文  参考訳（メタデータ） (2026-03-26T03:25:40Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• 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)
• Surf2CT: Cascaded 3D Flow Matching Models for Torso 3D CT Synthesis from Skin Surface [13.161605581865357]
  Surf2CTは、外部表面スキャンと人口統計データから人間の胴体の全3DCTボリュームを合成するフレームワークである。 我々は、マサチューセッツ総合病院(MGH)から得られた3,198個の胴体CTスキャンとAutoPETチャレンジを組み合わせたデータセットでモデルをトレーニングした。
  論文  参考訳（メタデータ） (2025-05-28T16:01:36Z)
• 3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation [0.0]
  3次元畳み込みニューラルネットワークは、T1強調脳スキャンを健康またはアルツハイマーと分類するために開発された。 ネットワークは、3D畳み込み、プーリング、バッチ正規化、密度の高いReLU層、シグモイド出力を含む。
  論文  参考訳（メタデータ） (2025-05-07T03:32:25Z)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• The Three-Dimensional Structural Configuration of the Central Retinal Vessel Trunk and Branches as a Glaucoma Biomarker [41.97805846007449]
  我々は、光学的コヒーレンス断層撮影量(ONH)のBスキャンからCRVT&Bを自動的に分離する深層学習ネットワークを訓練した。 3Dと2Dの診断ネットワークは緑内障と非緑内障患者をそれぞれ82.7%と83.3%と区別することができた。
  論文  参考訳（メタデータ） (2021-11-07T04:41:49Z)
• 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。