論文の概要: Augmented Equivariant Mesh Networks for Anatomical Segmentation

• arxiv url: http://arxiv.org/abs/2605.08172v1
• Date: Mon, 04 May 2026 23:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.421973
• Title: Augmented Equivariant Mesh Networks for Anatomical Segmentation
• Title（参考訳）: 解剖学的セグメンテーションのためのAugmented Equivariant Mesh Networks
• Authors: Daniel Saragih,
• Abstract要約: 解剖学的メッシュセグメンテーションは、不規則表面形状を直接操作するモデルを必要とする。 既存のタスク固有のメッシュとポイントクラウドメソッドは同変ではなく、テスト時間摂動下で急激に劣化する可能性がある。 Equivariant Mesh Neural Networks (EMNN) 上に構築された等価な解剖学的メッシュセグメンタEAMSを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anatomical mesh segmentation requires models that operate directly on irregular surface geometry while remaining robust to arbitrary patient pose and mesh resolution variation. Existing task-specific mesh and point-cloud methods are not equivariant, and can degrade sharply under test-time perturbation, for example dropping by 25-26 IoU points on intraoral scan segmentation at $40^\circ$ tilt. We present EAMS, an Equivariant Anatomical Mesh Segmentor built on Equivariant Mesh Neural Networks (EMNN), and evaluate it across four clinically distinct tasks spanning edge-, vertex-, and face-level supervision. We combine intrinsic mesh descriptors with anatomy-aware priors, including PCA-derived frames for dental arches and liver surfaces, and augment message passing to provide lightweight global context. Across intracranial aneurysm and intraoral segmentation, EAMS variants are competitive with specialized baselines on unperturbed inputs while remaining stable under geometric perturbations, and on liver surfaces they expose a favorable trade-off between canonical-pose accuracy and rotation robustness. These results show that a lightweight ($<2$M parameters) equivariant framework can deliver robust anatomical mesh segmentation across diverse supervision types without task-specific architectures.
• Abstract（参考訳）: 解剖学的メッシュセグメンテーションは、任意の患者のポーズとメッシュ解像度の変動に頑健でありながら、不規則な表面形状を直接操作するモデルを必要とする。 既存のタスク固有のメッシュとポイントクラウドの手法は変わらず、例えば、口内スキャンのセグメンテーションで25-26 IoUポイントを40^\circ$傾きで下げるなど、テスト時間摂動下で急激に分解することができる。 Equivariant Mesh Neural Networks (EMNN) 上に構築された等価な解剖学的メッシュセグメンタであるEAMSについて述べる。 内在メッシュ記述子と解剖学的に認識される前駆体を結合し,PCA由来の歯科用アーチおよび肝臓表面フレームと拡張メッセージパッシングを併用し,軽量なグローバルコンテキストを実現する。 頭蓋内大動脈瘤と口腔内セグメンテーション全体にわたって、EAMSの変種は、幾何学的摂動下で安定なまま、非摂動入力の特別なベースラインと競合し、肝表面では標準的位置精度と回転堅牢性の間の良好なトレードオフを露呈する。 これらの結果から,軽量(<2$Mのパラメータ)同変フレームワークは,タスク固有のアーキテクチャを使わずに,多種多様な監視タイプにわたる堅牢な解剖学的メッシュセグメンテーションを実現することができることがわかった。

関連論文リスト

• Geometry-aware Prototype Learning for Cross-domain Few-shot Medical Image Segmentation [11.12183614587322]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は、新しい解剖学的カテゴリと見えない画像領域を同時に一般化するモデルを必要とする。 既存の原型的アプローチは、必然的に解剖学的構造とドメイン固有の外観変化を絡み合わせる。 幾何対応のCD-FSMISフレームワークであるGeoProtoを提案する。
  論文  参考訳（メタデータ） (2026-05-11T17:32:26Z)
• Learning to Synergize Semantic and Geometric Priors for Limited-Data Wheat Disease Segmentation [51.06355116973389]
  本研究では,小麦病のセグメンテーションを病種特異的な意味認識と疾患境界の局所化の複合的課題として扱う枠組みを提案する。 我々の中核的な洞察は、事前訓練されたDINOv2は、出現シフトを処理するために、堅牢なカテゴリ認識セマンティックスを提供します。 SGPer は,コムギ病と臓器分画のベンチマークにおいて,常に最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-04-07T04:19:39Z)
• Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
  ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。 特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。 我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2026-04-06T22:27:36Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• 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)
• 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)
• Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image Segmentation [21.6412682130116]
  より正確な表現を学習するために、これらの固有対称性を符号化することで、新しいグループ同変セグメンテーションフレームワークを提案する。 GER-UNet(Group Equivariant Res-UNet)が通常のCNNよりも優れていることを示す。 新たに構築されたGER-UNetは、サンプルの複雑さとフィルタの冗長性を減少させる可能性を示している。
  論文  参考訳（メタデータ） (2022-07-29T04:28:20Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation [11.797343325320474]
  医用腫瘍分離のための新しいグループ同変セグメンテーションフレームワークを提案する。 さらなる対称性を活用することで、新しいセグメンテーションCNNは、サンプルの複雑さとフィルタの冗長性を劇的に減らすことができる。 新たに構築されたGER-UNetは、通常のCNNベースと、実際の臨床データに対する最先端のセグメンテーション方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-08T09:36:50Z)

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。