論文の概要: Weakly-Supervised Lung Nodule Segmentation via Training-Free Guidance of 3D Rectified Flow

• arxiv url: http://arxiv.org/abs/2604.08313v1
• Date: Thu, 09 Apr 2026 14:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.971997
• Title: Weakly-Supervised Lung Nodule Segmentation via Training-Free Guidance of 3D Rectified Flow
• Title（参考訳）: 3次元凝固流のトレーニング不要誘導による弱視下肺結節分節の1例
• Authors: Richard Petersen, Fredrik Kahl, Jennifer Alvén,
• Abstract要約: 提案手法は2つの異なる予測器に対して, 異なる大きさと形状の肺結節を連続的に検出し, 高品質なセグメンテーションを実現する。 LUNA16の実験は、ベースライン法よりも改善され、生成基盤モデルの可能性を弱教師付き3次元医用画像セグメンテーションのツールとして強調した。
• 参考スコア（独自算出の注目度）: 13.15220794725922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dense annotations, such as segmentation masks, are expensive and time-consuming to obtain, especially for 3D medical images where expert voxel-wise labeling is required. Weakly supervised approaches aim to address this limitation, but often rely on attribution-based methods that struggle to accurately capture small structures such as lung nodules. In this paper, we propose a weakly-supervised segmentation method for lung nodules by combining pretrained state-of-the-art rectified flow and predictor models in a plug-and-play manner. Our approach uses training-free guidance of a 3D rectified flow model, requiring only fine-tuning of the predictor using image-level labels and no retraining of the generative model. The proposed method produces improved-quality segmentations for two separate predictors, consistently detecting lung nodules of varying size and shapes. Experiments on LUNA16 demonstrate improvements over baseline methods, highlighting the potential of generative foundation models as tools for weakly supervised 3D medical image segmentation.
• Abstract（参考訳）: セグメンテーションマスクのような複雑なアノテーションは高価で入手に時間を要する。 弱く監督されたアプローチは、この制限に対処することを目的としているが、しばしば肺の結節などの小さな構造を正確に捉えるのに苦労する帰属的手法に依存している。 本稿では,プレトレーニング済みの最先端整流流と予測器モデルをプラグ・アンド・プレイ方式で組み合わせ,肺結節の弱教師付きセグメンテーション法を提案する。 提案手法では,画像レベルラベルを用いた予測器の微調整のみが必要であり,生成モデルの再学習は不要である。 提案手法は2つの異なる予測器に対して, 異なる大きさと形状の肺結節を連続的に検出し, 高品質なセグメンテーションを実現する。 LUNA16の実験では、ベースライン法よりも改善され、3次元医用画像の弱いセグメンテーションのためのツールとして生成基盤モデルの可能性を強調した。

関連論文リスト

• Kidney Cancer Detection Using 3D-Based Latent Diffusion Models [0.5910408333592895]
  本研究は, 弱教師付き異常検出のための3次元潜伏拡散の可能性と可能性を示す。 以上の結果から, 複雑な腹部解剖のアノテーション効率, 生成的モデリングへの重要な一歩が示唆された。
  論文  参考訳（メタデータ） (2026-01-09T15:30:00Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• A Self-training Framework for Semi-supervised Pulmonary Vessel Segmentation and Its Application in COPD [9.487894747353659]
  本研究の目的は,半監督法を用いて肺血管を分画することであった。 提案手法であるSemi2は, 船体セグメンテーションの精度を2.3%向上し, 90.3%の精度を実現している。
  論文  参考訳（メタデータ） (2025-07-25T08:50:31Z)
• Template-Guided Reconstruction of Pulmonary Segments with Neural Implicit Functions [11.729079981556012]
  肺がんの分節切除と外科的治療計画において,高品質な肺部分の3D再構成が重要な役割を担っている。 そこで我々は, 解剖学的, 正確な肺セグメント再構築を実現するために, 3次元表面を学習する神経暗黙関数に基づく手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:31:01Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Self-adaptive vision-language model for 3D segmentation of pulmonary artery and vein [18.696258519327095]
  本稿では,言語誘導型自己適応型クロスアテンション・フュージョン・フレームワークを提案する。 提案手法は,3次元CTスキャンのセグメンテーションを生成するための強力な特徴抽出器として,事前訓練したCLIPを採用している。 これまでで最大の肺動脈ベインCTデータセットである局所的データセットを用いて,本手法を広範囲に検証した。
  論文  参考訳（メタデータ） (2025-01-07T12:03:02Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。