論文の概要: Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation

• arxiv url: http://arxiv.org/abs/2603.28110v1
• Date: Mon, 30 Mar 2026 07:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.27229
• Title: Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation
• Title（参考訳）: Contour-Guided Query-based Feature Fusion for boundary-Aware and Generalizable Cardiac Ultrasound Segmentation (特集:一般)
• Authors: Zahid Ullah, Sieun Choi, Jihie Kim,
• Abstract要約: 本稿では,境界対応心エコー区分けのためのコンター型クエリリファインメントネットワーク(CGQR-Net)を提案する。 このフレームワークは、マルチレゾリューション特徴表現と輪郭から派生した構造的事前情報を統合する。 その結果, セグメンテーション精度の向上, 境界精度の向上, 様々な撮像条件におけるロバスト性能が得られた。
• 参考スコア（独自算出の注目度）: 6.121346238869986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cardiac ultrasound segmentation is essential for reliable assessment of ventricular function in intelligent healthcare systems. However, echocardiographic images are challenging due to low contrast, speckle noise, irregular boundaries, and domain shifts across devices and patient populations. Existing methods, largely based on appearance-driven learning, often fail to preserve boundary precision and structural consistency under these conditions. To address these issues, we propose a Contour-Guided Query Refinement Network (CGQR-Net) for boundary-aware cardiac ultrasound segmentation. The framework integrates multi-resolution feature representations with contour-derived structural priors. An HRNet backbone preserves high-resolution spatial details while capturing multi-scale context. A coarse segmentation is first generated, from which anatomical contours are extracted and encoded into learnable query embeddings. These contour-guided queries interact with fused feature maps via cross-attention, enabling structure-aware refinement that improves boundary delineation and reduces noise artifacts. A dual-head supervision strategy jointly optimizes segmentation and boundary prediction to enforce structural consistency. The proposed method is evaluated on the CAMUS dataset and further validated on the CardiacNet dataset to assess cross-dataset generalization. Experimental results demonstrate improved segmentation accuracy, enhanced boundary precision, and robust performance across varying imaging conditions. These results highlight the effectiveness of integrating contour-level structural information with feature-level representations for reliable cardiac ultrasound segmentation.
• Abstract（参考訳）: インテリジェント医療システムにおける心機能評価には,正確な心エコー区分けが不可欠である。 しかし、心エコー画像は、低コントラスト、スペックルノイズ、不規則な境界、デバイスや患者集団間のドメインシフトのために困難である。 既存の手法は主に外見駆動学習に基づいており、境界精度と構造的整合性を維持するのに失敗することが多い。 これらの課題に対処するため,境界対応心エコー区分けのための Contour-Guided Query Refinement Network (CGQR-Net) を提案する。 このフレームワークは、マルチレゾリューション特徴表現と輪郭から派生した構造的事前情報を統合する。 HRNetバックボーンは、マルチスケールコンテキストをキャプチャしながら、高解像度の空間詳細を保存する。 粗いセグメンテーションを最初に生成し、解剖学的輪郭を抽出し、学習可能なクエリ埋め込みに符号化する。 これらの輪郭誘導クエリは、クロスアテンションを介して融合した特徴マップと相互作用し、境界のデラインを改善し、ノイズアーティファクトを低減する構造認識の洗練を可能にする。 二重ヘッド監視戦略は、セグメント化と境界予測を共同で最適化し、構造的一貫性を強制する。 提案手法はCAMUSデータセット上で評価され,さらにCardiacNetデータセット上で検証され,クロスデータセットの一般化を評価する。 実験結果から, セグメンテーション精度の向上, 境界精度の向上, 様々な撮像条件におけるロバスト性能が示された。 以上の結果から, 心エコー検査における輪郭構造情報と特徴量表現の統合の有効性が示唆された。

関連論文リスト

• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• SFD-Mamba2Net: Structure-Guided Frequency-Enhanced Dual-Stream Mamba2 Network for Coronary Artery Segmentation [10.610715643574034]
  侵襲冠動脈造影(ICA)はCAD診断における金の基準とされている。 ICA画像の特徴は、低コントラスト、高ノイズレベル、複雑で微細な血管構造である。 ICAをベースとした血管分割と狭窄検出に適したエンドツーエンドフレームワークであるSFD-Mamba2Netを提案する。
  論文  参考訳（メタデータ） (2025-09-10T18:58:45Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• 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)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• Multi-class probabilistic atlas-based whole heart segmentation method in cardiac CT and MRI [4.144197343838299]
  本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。 また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。 提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
  論文  参考訳（メタデータ） (2021-02-03T01:02:09Z)

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。