論文の概要: CardioSAM: Topology-Aware Decoder Design for High-Precision Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2604.03313v1
• Date: Tue, 31 Mar 2026 22:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.500473
• Title: CardioSAM: Topology-Aware Decoder Design for High-Precision Cardiac MRI Segmentation
• Title（参考訳）: CardioSAM: 高精度心臓MRIセグメンテーションのためのトポロジー対応デコーダ設計
• Authors: Ujjwal Jain,
• Abstract要約: 凍結したSAMエンコーダと軽量でトレーニング可能な心特異的デコーダの一般特徴抽出機能を組み合わせたハイブリッドアーキテクチャであるCardioSAMを提案する。 ACDCのベンチマークでの実験では、CardioSAMのDice係数は93.39%、IoUは87.61%、ピクセル精度は99.20%、HD95は4.2mmであることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of cardiac structures in cardiovascular magnetic resonance (CMR) images is essential for reliable diagnosis and treatment of cardiovascular diseases. However, manual segmentation remains time-consuming and suffers from significant inter-observer variability. Recent advances in deep learning, particularly foundation models such as the Segment Anything Model (SAM), demonstrate strong generalization but often lack the boundary precision required for clinical applications. To address this limitation, we propose CardioSAM, a hybrid architecture that combines the generalized feature extraction capability of a frozen SAM encoder with a lightweight, trainable cardiac-specific decoder. The proposed decoder introduces two key innovations: a Cardiac-Specific Attention module that incorporates anatomical topological priors, and a Boundary Refinement Module designed to improve tissue interface delineation. Experimental evaluation on the ACDC benchmark demonstrates that CardioSAM achieves a Dice coefficient of 93.39%, IoU of 87.61%, pixel accuracy of 99.20%, and HD95 of 4.2 mm. The proposed method surpasses strong baselines such as nnU-Net by +3.89% Dice and exceeds reported inter-expert agreement levels (91.2%), indicating its potential for reliable and clinically applicable cardiac segmentation.
• Abstract（参考訳）: 心血管疾患の診断と治療にはCMR画像における心臓構造の正確なセグメンテーションが不可欠である。 しかし、手動のセグメンテーションは依然として時間がかかり、サーバ間の大きなばらつきに悩まされる。 近年のディープラーニングの進歩、特にSAM(Segment Anything Model)のような基礎モデルでは、強力な一般化が示されているが、臨床応用に必要な境界精度が欠如していることが多い。 この制限に対処するため,凍結したSAMエンコーダの一般特徴抽出機能と,軽量でトレーニング可能な心特異的デコーダを組み合わせたハイブリッドアーキテクチャであるCardioSAMを提案する。 提案したデコーダは、解剖学的トポロジカルな前駆体を組み込んだCardiac-Specific Attentionモジュールと、組織インターフェースのデライン化を改善するために設計された境界リファインメントモジュールの2つの重要なイノベーションを紹介している。 ACDCのベンチマークでの実験では、CardioSAMのDice係数は93.39%、IoUは87.61%、ピクセル精度は99.20%、HD95は4.2mmであることが示されている。 提案手法は, nnU-Netを+3.89%Diceで上回り, 専門家間合意レベル(91.2%)を突破し, 信頼性と臨床的に適用可能な心セグメンテーションの可能性を示した。

関連論文リスト

• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• Anatomy Guided Coronary Artery Segmentation from CCTA Using Spatial Frequency Joint Modeling [10.73944733412427]
  本稿では, 心筋解剖学的先行性, 構造認識的特徴符号化, 3次元ウェーブレット逆ウェーブレット変換を統合した冠動脈分割フレームワークを提案する。 実験の結果,提案手法はディス係数が0.8082,感度が0.7946,精度が0.8471,HD95が9.77mmであり,いくつかの主流セグメンテーションモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2025-12-14T04:12:40Z)
• 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)
• Heartcare Suite: Multi-dimensional Understanding of ECG with Raw Multi-lead Signal Modeling [50.58126509704037]
  医療スイート(Heartcare Suite)は、微細心電図(ECG)の理解のためのフレームワークである。 Heartcare-220Kは高品質で構造化され、包括的なマルチモーダルECGデータセットである。 Heartcare-Benchは、ECGシナリオにおける医療マルチモーダル大言語モデル(Med-MLLM)の最適化を導くためのベンチマークである。
  論文  参考訳（メタデータ） (2025-06-06T07:56:41Z)
• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis [15.236546465767026]
  心磁気共鳴画像のセグメンテーションと分類における深層学習に基づく新しいアプローチを提案する。 その結果,左心室では0.974,右心室では0.947のDice係数が得られた。 分類には,肥大型心筋症,心筋梗塞,拡張型心筋症などの心疾患を識別するために,深層学習分類器のカスケードが用いられた。
  論文  参考訳（メタデータ） (2024-12-12T15:53:14Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• 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)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。