論文の概要: GUMP-Net: An interpretable model-data-driven intelligent algorithm for multi-class pelvic segmentation

• arxiv url: http://arxiv.org/abs/2606.19215v1
• Date: Wed, 17 Jun 2026 15:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.251147
• Title: GUMP-Net: An interpretable model-data-driven intelligent algorithm for multi-class pelvic segmentation
• Title（参考訳）: GUMP-Net:多クラス骨盤分割のための解釈可能なモデルデータ駆動インテリジェントアルゴリズム
• Authors: Liheng Wang, Yinghui Zhang, Licheng Zhang, Hailin Xu, Qiyong Cao, Chong Chen,
• Abstract要約: GUMP-Netは,多クラス骨盤分割のための解釈可能なモデルデータ駆動知能アルゴリズムである。 ペルビックデータセットの実験では,提案アルゴリズムの合理性と有効性を示す。 提案アルゴリズムは, 複雑なフラクチャー削減のための効率的なセグメンテーション法を提供するだけでなく, 深層学習セグメンテーションを理解するための解釈可能な幾何学的視点を与える。
• 参考スコア（独自算出の注目度）: 12.339621372508105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pelvic segmentation is one of the most important and fundamental research problems in precise and intelligent diagnosis and treatment, as well as surgical planning and navigation for pelvic fractures. By combining an improved geodesic active contour model with deep neural networks, we propose GUMP-Net, an interpretable model-data-driven intelligent algorithm for multi-class pelvic segmentation, in which three network modules are designed to constitute the overall segmentation framework together: the object detection module for automatic level set initialization, the edge detector module for learning an anatomy-aware edge detector function and the iteration module for deep level set evolution. Leveraging the advantages of level set representation and deep learning, GUMP-Net shows more accurate, robust and consistent segmentation performance, especially in small training data situation, compared to the state-of-the-art methods. Extensive experiments on pelvic datasets demonstrate the rationality and effectiveness of the proposed algorithm. Further experiments extended to ankle dataset indicate broader applications to other anatomies. The proposed algorithm not only provides an efficient segmentation method for complex fracture reduction, but also gives an interpretable geometric perspective for understanding deep learning segmentation.
• Abstract（参考訳）: 骨盤分割術は、骨盤骨折の手術計画やナビゲーションと同様に、正確でインテリジェントな診断と治療において最も重要かつ基礎的な研究課題の1つである。 改良された測地的アクティブな輪郭モデルと深層ニューラルネットワークを組み合わせることで,GUMP-Netを提案する。GUMP-Netは,3つのネットワークモジュールが全体のセグメンテーションフレームワークを構成するように設計され,自動レベルセット初期化のためのオブジェクト検出モジュール,解剖学的認識エッジ検出器関数を学習するエッジ検出モジュール,深部レベルセット進化のためのイテレーションモジュールである。 レベルセット表現とディープラーニングの利点を活用することで、GUMP-Netは、最先端の手法と比較して、特に小さなトレーニングデータ状況において、より正確で堅牢で一貫性のあるセグメンテーション性能を示す。 骨盤データセットの大規模な実験により,提案アルゴリズムの合理性と有効性を示す。 足首のデータセットに拡張されたさらなる実験は、他の解剖学への幅広い応用を示している。 提案アルゴリズムは, 複雑なフラクチャー削減のための効率的なセグメンテーション法を提供するだけでなく, 深層学習セグメンテーションを理解するための解釈可能な幾何学的視点を与える。

関連論文リスト

• AGENet: Adaptive Edge-aware Geodesic Distance Learning for Few-Shot Medical Image Segmentation [0.0]
  AGENetはエッジ・アウェアな測地距離学習を通じて空間的関係を組み込む新しいフレームワークである。 私たちの重要な洞察は、医療構造はプロトタイプの抽出をガイドできる予測可能な幾何学的パターンに従っているということです。 本手法は,計算効率を維持しつつ,既存の手法と比較して境界誤差を低減する。
  論文  参考訳（メタデータ） (2025-11-11T09:56:35Z)
• Scalable Segmentation for Ultra-High-Resolution Brain MR Images [9.295998760042169]
  本稿では,空間参照やガイダンスとして,アクセスが容易で解像度の低い粗いラベルを利用する新しいフレームワークを提案する。 我々のアプローチは、クラスごとの符号付き距離変換マップを回帰し、スムーズで境界対応の監視を可能にする。 本手法は,合成データセットと実世界のデータセットの総合的な実験を通じて検証する。
  論文  参考訳（メタデータ） (2025-05-27T19:34:55Z)
• 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)
• Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
  トポロジカルデータ解析(TDA)に基づくMRIスキャンのセグメンテーションのための新しいフレームワークを提案する。 パイプラインは3つのステップで進み、まずオブジェクト全体を自動しきい値によってセグメントに識別し、次に事前にトポロジが知られている固有のサブセットを検出し、最後にセグメンテーションの様々なコンポーネントを推論する。 脳MRIにおけるグリオ芽腫の分画、心筋MRIにおける心筋、シリンダー形成、胎児脳MRIにおける皮質プレート検出の3つの応用について検討した。
  論文  参考訳（メタデータ） (2024-01-02T11:43:49Z)
• Cell nuclei classification in histopathological images using hybrid OLConvNet [13.858624044986815]
  我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。 CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。 提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2022-02-21T12:39:37Z)
• Evaluation of Deep Learning Topcoders Method for Neuron Individualization in Histological Macaque Brain Section [0.0]
  神経学的データに基づく細胞識別を行うためのアンサンブル深層学習アルゴリズムを提案する。 提案手法は, 平均検出精度0.93で, 物体レベルでも画素レベルでも, 神経細胞のセグメンテーションに成功したことを示唆する。
  論文  参考訳（メタデータ） (2021-11-10T16:38:35Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。