論文の概要: Evaluation of Anatomical Shape Priors in Deep Learning-Based Cardiac Multi-Compartment Segmentation

• arxiv url: http://arxiv.org/abs/2605.15707v1
• Date: Fri, 15 May 2026 07:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.212534
• Title: Evaluation of Anatomical Shape Priors in Deep Learning-Based Cardiac Multi-Compartment Segmentation
• Title（参考訳）: 深層学習型マルチコンパートメントセグメンテーションにおける解剖学的形状評価
• Authors: Michael Hudler, Franz Thaler, Martin Urschler,
• Abstract要約: 形状認識損失と空間ラベル分布熱マップ誘導U-Net変異体として実装された軽量な明示的形状前駆体の有効性を評価し,MM-WHS CTとWHS++の3次元心筋セグメンテーションを改善した。 すべての実験において、標準の3D U-Netは驚くほど強力なベースラインのままであり、手作りの先行機は最も限界と一貫性のない変更で、しばしば性能が低下した。
• 参考スコア（独自算出の注目度）: 0.01268579273097071
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whole-heart multi-compartment CT segmentation is clinically important, but standard CNNs do not explicitly enforce anatomical plausibility. Based on statistics derived from the training data, we evaluate whether lightweight explicit shape priors, implemented as shape-aware losses and spatial label distribution heatmap-guided U-Net variants, improve 3D cardiac segmentation on MM-WHS CT and WHS++. Across all experiments, a standard 3D U-Net surprisingly remained a very strong baseline, with handcrafted priors yielding at best marginal and inconsistent changes and often degrading performance. These results suggest that the baseline already captures substantial implicit anatomical regularities and that future gains will likely require more expressive learned priors rather than simple handcrafted anatomical shape constraints.
• Abstract（参考訳）: 全身多施設CTの分画は臨床的に重要であるが,標準CNNは解剖学的妥当性を明示していない。 トレーニングデータから得られた統計に基づいて,形状認識損失と空間ラベル分布誘導型U-Net変異体として実装された軽量な明示的形状前駆体がMM-WHS CTとWHS++の3次元心筋セグメンテーションを改善するかを評価する。 あらゆる実験において、標準の3D U-Netは非常に強力なベースラインのままであり、手作りの先行機は最も限界と一貫性のない変更で、しばしば性能が低下した。 これらの結果は、ベースラインが既にかなり暗黙的な解剖学的規則を捉えており、将来の利益は単純な手作りの解剖学的形状の制約よりも、より表現力のある事前学習を必要とする可能性が高いことを示唆している。

関連論文リスト

• Left Atrial Segmentation with nnU-Net Using MRI [0.0]
  近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。 本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。 このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
  論文  参考訳（メタデータ） (2025-11-06T05:23:45Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• 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)

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。