論文の概要: HadBalance: A Plug-and-Play Unified Global Geometric Prior Framework for Generalizable Biomedical Segmentation

• arxiv url: http://arxiv.org/abs/2606.15976v1
• Date: Sun, 14 Jun 2026 19:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.972185
• Title: HadBalance: A Plug-and-Play Unified Global Geometric Prior Framework for Generalizable Biomedical Segmentation
• Title（参考訳）: HadBalance: 汎用バイオメディカルセグメンテーションのためのプラグアンドプレイ統一グローバル幾何事前フレームワーク
• Abstract要約: 本研究では,一様にセグメンテーションされた形状の先行を可能にする目的的課題 (CAOB) を提案する。 それぞれのプリミティブに対して、CAOBは、残りのデータを保存しながらセグメンテーションで削除するプリミティブのみを削除する。
• 参考スコア（独自算出の注目度）: 20.560104197980415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise biomedical image segmentation is crucial for clinical diagnosis. Geometric cues (e.g., boundary, shape, and topology) can improve structural consistency, yet most are task-specific and lack a unified geometric foundation that generalizes across organs and modalities. We are motivated by the observation that several medical segmentation targets can be approximated as globally near-convex shapes. A convex region is one in which any two interior points can be connected by a line segment entirely contained within the region. In practice, medical targets may exhibit small local concavities or boundary irregularities; we refer to such globally convex-like shapes as near-convex. Motivated by this, we derive Hadwiger Shape Priors from Hadwiger's theorem as an interpretable global regularizer using three 2D measures: area A, perimeter P, and Euler characteristic chi, enabling transfer across organs and modalities. However, because medical datasets are shape-heterogeneous, enforcing near-convex priors uniformly can over-regularize non-convex anatomy with significant concavities, washing out concavities and fine details and degrading segmentation accuracy. To address this challenge, we propose Conflict-Aware Objective Balancing (CAOB), which integrates shape priors with segmentation in a gradient-aware manner. For each prior, CAOB removes only the gradient component that conflicts with segmentation while preserving the remaining aligned component, and adaptively regulates objective influences to prevent prior dominance. This enables stable use of shape priors on shape-heterogeneous data without erasing genuine concavities or fine structural details. We call this plug-and-play framework HadBalance.
• Abstract（参考訳）: 正確な生医学的画像分割は臨床診断に不可欠である。 幾何学的手がかり(境界、形状、トポロジーなど)は構造的整合性を改善することができるが、そのほとんどはタスク固有のものであり、器官やモダリティをまたいで一般化する統一的な幾何学的基礎が欠如している。 我々は,いくつかの医学的セグメンテーションターゲットを,地球近傍の凸形状として近似できるという観察に動機づけられた。 凸領域 (convex region) は、その領域に含まれる線分によって、任意の2つの内点を接続できる領域である。 実際には、医療対象は小さな局所的な凹凸や境界不規則を呈し、このようなグローバルな凸状の形状を近凸と呼ぶ。 このことから、ハドウィッガーの定理から3つの2次元測度(面積 A, 周辺P, オイラー標数chi)を用いて解釈可能な大域正規化子としてハドヴィッガーの形状先着を導出し、臓器とモダリティをまたぐ移動を可能にする。 しかし、医学データセットは形状が不均一であるため、近凸前兆を均一に強制することで、非凸解剖をかなりの凹凸で過剰に調整し、凹凸や細部を洗い出し、セグメンテーションの精度を低下させることができる。 この課題に対処するため、我々は、形状先行とセグメント化をグラデーション対応で統合する、衝突認識オブジェクトバランス(CAOB)を提案する。 それぞれの事前のために、CAOBはセグメンテーションと競合する勾配成分のみを除去し、残りの整列成分を保存し、事前の優位性を防ぐために目的の影響を適応的に規制する。 これにより、真の凹凸や微細構造の詳細を消去することなく、形状不均一なデータに対する形状先行の安定した利用が可能になる。 私たちはこのプラグイン・アンド・プレイのフレームワークをHadBalanceと呼んでいます。

関連論文リスト

• AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
  3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T09:16:42Z)
• Anatomy-Aware 3D Mesh Refinement of Pericardium Segmentations on Computed Tomography [0.29796366826999543]
  心臓CT検査におけるペリカルディウムは、コントラスト境界が低かったため、セグメンテーションが最も困難である構造物の1つである。 この研究は、固有の解剖学的規則から派生した解剖学的および幾何学的力のバランスをとる、新しい3D反復メッシュ精錬フレームワークを導入している。
  論文  参考訳（メタデータ） (2026-07-21T15:40:58Z)
• 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)
• SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
  非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-23T12:25:56Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• GIGP: A Global Information Interacting and Geometric Priors Focusing Framework for Semi-supervised Medical Image Segmentation [5.478311497235159]
  本稿では,ラベル付きデータとラベルなしデータの分散差を低減するため,グローバルインフォメーション・インタラクション・マンバ・モジュールを提案する。 次に,よりリッチなグローバルな幾何学的特徴を抽出するための幾何学的モーメント注意機構を提案する。 NIH PancreasとLeft Atriumデータセットの優れた性能は、我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-03-12T12:59:38Z)
• Deep vessel segmentation with joint multi-prior encoding [2.8518403379315127]
  単一潜在空間に形状とトポロジーを組み込んだ新しいジョイント先行符号化機構を提案する。 本手法の有効性を3D-IRCADbデータセットで実証した。
  論文  参考訳（メタデータ） (2024-09-18T22:03:46Z)
• Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
  臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。 我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-27T10:46:24Z)
• CLOAF: CoLlisiOn-Aware Human Flow [90.21089550719488]
  CLOAFは、通常の微分方程式の微分同相性を利用して、身体の自己切断を除去する。 CLOAFは、異なるため、ポーズを微調整したり、全体のパフォーマンスを改善するために、ベースラインを形づくることができる。
  論文  参考訳（メタデータ） (2024-03-14T02:38:09Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。