論文の概要: One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation

• arxiv url: http://arxiv.org/abs/2605.03098v1
• Date: Mon, 04 May 2026 19:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.621646
• Title: One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation
• Title（参考訳）: CTとMRIのクロスドメイン3次元椎間板分割のための効率的なデータ拡張法
• Authors: Nathan Molinier, Hendrik Möller, Thomas Dagonneau, Anna Curto-Vilalta, Robert Graf, Matan Atad, Daniel Rueckert, Jan S. Kirschke, Julien Cohen-Adad,
• Abstract要約: 深層学習に基づく医療画像セグメンテーションは、臨床診断を支援し、新しい治療戦略を開発するためにますます利用されている。 しかし、高品質な注釈付きデータの不足や画像プロトコル間の一般化が不十分なため、モデル性能は依然として制限されている。 この制限はMRIやCTでは特に顕著であり、モデルは通常1回の取得シーケンスでトレーニングされる。
• 参考スコア（独自算出の注目度）: 14.430939194449229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based medical image segmentation is increasingly used to support clinical diagnosis and develop new treatment strategies. However, model performance remains limited by the scarcity of high-quality annotated data and insufficient generalization across imaging protocols. This limitation is particularly evident in MRI and CT, where models are typically trained on a single acquisition sequence and exhibit reduced robustness when applied to unseen sequences or contrasts. Although data augmentation is widely used to improve general robustness on medical images, its impact on cross-modality generalization has not been quantitatively explored. In this work, we study a targeted set of data augmentation techniques designed to improve cross-modality transfer. We train three spine segmentation models, each on a single-modality/sequence dataset, and evaluate them across seven out-of-distribution datasets (spanning CT and MRI), reflecting a realistic single-sequence training and multi-sequence/contrast/modality deployment scenario. Our results demonstrate substantial performance gains on unseen domains (average Dice gain of 155 %) while preserving in-domain accuracy (average Dice decrease of 0.008 %), including effective transfer between CT and MRI. To mitigate the computational cost typically associated with strong data augmentation, we implement GPU-optimized augmentations that maintain, and even improve, training efficiency by approximately 10 %. We release our approach as an open-source toolbox, enabling seamless integration into commonly used frameworks such as nnUNet and MONAI. These augmentations significantly enhance robustness to heterogeneous clinical imaging scenarios without compromising training speed.
• Abstract（参考訳）: 深層学習に基づく医療画像セグメンテーションは、臨床診断を支援し、新しい治療戦略を開発するためにますます利用されている。 しかし、高品質な注釈付きデータの不足や画像プロトコル間の一般化が不十分なため、モデル性能は依然として制限されている。 この制限はMRIやCTでは特に顕著であり、モデルは通常、単一の取得シーケンスでトレーニングされ、目に見えないシーケンスやコントラストに適用した場合、ロバスト性が低下する。 データ拡張は医療画像の全般的堅牢性向上に広く利用されているが、その相互モダリティの一般化への影響は定量化されていない。 本研究では,モダリティ間移動を改善するために,対象とするデータ拡張手法について検討する。 3つのスピンセグメンテーションモデルを1つのモード/シーケンスデータセットでトレーニングし、7つのアウト・オブ・ディストリビューションデータセット(スパンニングCTとMRI)で評価し、現実的な単一シーケンストレーニングとマルチシーケンス/コントラスト/モダリティデプロイメントシナリオを反映する。 以上の結果より,CTとMRIを効果的に移行するなど,ドメイン内精度(平均Dice低下率0.008%)を保ちながら,未確認領域(平均Dice上昇率155%)に対して顕著なパフォーマンス向上を示した。 強いデータ拡張に関連する計算コストを軽減するため、GPU最適化拡張を実装し、トレーニング効率を約10%向上する。 当社のアプローチはオープンソースツールボックスとしてリリースされており、nnUNetやMONAIといった一般的なフレームワークへのシームレスな統合を可能にしています。 これらの拡張は、訓練速度を損なうことなく、不均一な臨床画像のシナリオに対する堅牢性を著しく向上させる。

関連論文リスト

• Federated Learning for Cross-Modality Medical Image Segmentation via Augmentation-Driven Generalization [0.0]
  本研究では,各クライアントが単一モダリティデータ(CTまたはMRI)を保持する,現実的なFLシナリオについて考察する。 我々は、畳み込みに基づく空間拡張、周波数領域操作、ドメイン固有の正規化、および大域強度非線形(GIN)拡張を評価する。 当社のフェデレーションアプローチは、集中トレーニング精度の93～98%を達成し、データプライバシを損なうことなく、強力なモダリティの一般化を実証する。
  論文  参考訳（メタデータ） (2026-02-24T11:13:01Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• FedGIN: Federated Learning with Dynamic Global Intensity Non-linear Augmentation for Organ Segmentation using Multi-modal Images [0.0]
  医用画像のセグメンテーションは、AIによる診断、手術計画、治療監視において重要な役割を果たす。 患者データを共有することなくマルチモーダル臓器分割を可能にするフェデレートラーニングフレームワークであるFedGINを提案する。
  論文  参考訳（メタデータ） (2025-08-07T08:16:35Z)
• Glioblastoma Overall Survival Prediction With Vision Transformers [6.318465743962574]
  グリオ芽腫は最も攻撃的で一般的な脳腫瘍の1つで、生存期間は10～15ヶ月である。 本研究では,MRI画像を用いた総合生存(OS)予測のための新しい人工知能(AI)手法を提案する。 我々は視覚変換器(ViT)を用いてMRI画像から直接隠れた特徴を抽出し,腫瘍のセグメンテーションの必要性を排除した。 提案したモデルは、BRATSデータセットで評価され、テストセット上で62.5%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-04T13:59:57Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
  医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。 ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。 我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
  論文  参考訳（メタデータ） (2024-06-17T15:42:08Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。