論文の概要: Native space based pipelines outperform template space based pipeline in subcortical segmentation

• arxiv url: http://arxiv.org/abs/2606.21463v1
• Date: Fri, 19 Jun 2026 14:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:14:07.683684
• Title: Native space based pipelines outperform template space based pipeline in subcortical segmentation
• Title（参考訳）: 皮質下セグメンテーションにおけるテンプレート空間に基づくパイプラインよりも優れたネイティブ空間ベースパイプライン
• Authors: Tomás Lima, Daniel Novák, Eduard Bakštein,
• Abstract要約: ネイティブスペースアプローチが測定可能な優位性をもたらすかどうかを評価する。 患者固有の解剖学的忠実度を必要とするアプリケーションには、ネイティブスペースセグメンテーションが好ましい。 7T-to-3Tドメインギャップを埋めることは、依然としてオープンな課題である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of subcortical regions is critical for neurosurgical planning and functional research. Most automated methods rely on template space coregistration, which may compromise patient-specific accuracy, particularly in small structures. We identify a need to evaluate whether native space approaches offer a measurable advantage, which we evaluate in the context of movement disorders. We developed two UNet-based segmentation pipelines of the Subthalamic Nucleus (STN) - a common surgical target in Parkinson's Disease - and the neighbouring Red Nucleus (RN) and Substantia Nigra (SN). We collected 7T and 3T MRI data from five public datasets. The pipelines were evaluated in the native-space against manual labels. We further investigated the effect of the template resolution. Motivated by the hypothesis that models may better learn target boundaries in higher field, we tested the transferability of 7T-trained models to 3T clinical images, and whether synthetic 3T training data - generated via a disentangled representation learning method - could help bridging this domain gap. On held-out 7T data, the native pipeline consistently outperformed the template one. For the STN, native-space Dice reached 0.775 +- 0.055 versus 0.713 +- 0.051 (1 mm template), with HD95 of 0.79 +- 0.24 mm versus 1.17 +- 1.10 mm, respectively. Similar advantages were observed for the RN and SN. Increasing template resolution did not improve accuracy. When applied to 3T images, all models showed a considerable performance drop. Adding synthetic 3T data yielded only modest improvements, though without degrading 7T performance. Native-space segmentation is preferable for applications requiring patient specific anatomical fidelity, such as the surgical planning in PD. Bridging the 7T-to-3T domain gap remains an open challenge, motivating future work on domain adaptation tailored to subcortical structures.
• Abstract（参考訳）: 皮質下領域の正確なセグメンテーションは神経外科的計画と機能研究にとって重要である。 ほとんどの自動化手法はテンプレート空間のコアグスタレーションに依存しており、特に小さな構造では患者固有の精度を損なう可能性がある。 我々は,移動障害の文脈において,自然空間アプローチが測定可能な優位性をもたらすかどうかを評価する必要がある。 パーキンソン病の外科的標的である視床下核 (STN) と近隣のRed Nucleus (RN) とSubstantia Nigra (SN) の2つのUNetベースセグメンテーションパイプラインを開発した。 5つの公開データセットから7Tおよび3T MRIデータを収集した。 パイプラインは、手動ラベルに対してネイティブスペースで評価された。 さらに,テンプレート分解能の影響について検討した。 モデルが高視野での目標境界を学習しやすいという仮説により,7T訓練モデルから3T臨床画像への転送可能性,および非交叉表現学習法により生成された合成3Tトレーニングデータが,この領域のギャップを埋めるのに役立つかどうかを検証した。 保持された7Tデータでは、ネイティブパイプラインがテンプレートよりも一貫して優れていた。 STNの場合、Dice は 0.775 +- 0.055 対 0.713 +- 0.051 (1 mm テンプレート) に達し、HD95 は 0.79 +- 0.24 mm 対 1.17 +- 1.10 mm である。 RNとSNにも同様の利点が認められた。 テンプレートの解像度が向上しても精度は向上しなかった。 3T画像に適用すると、すべてのモデルの性能低下が見られた。 合成3Tデータの追加は7T性能を低下させることなく、わずかに改善しただけだった。 ネイティブスペースセグメンテーションは、PDの外科的計画など、患者固有の解剖学的忠実さを必要とするアプリケーションに好まれる。 7T-to-3Tドメインギャップを埋めることは未解決の課題であり、皮質下構造に合わせたドメイン適応に関する将来の研究を動機付けている。

関連論文リスト

• Parameter-Efficient Adaptation of SAM 3 for Automated ITV Generation from 4DCT Images [0.0]
  4次元CT(4DCT)は胸部解剖の完全な呼吸周期を捉えている。 現在の内部ターゲットボリューム構成プロセスは、各フェーズを分離し、時間的コヒーレンスを破棄し、フェーズ固有のアーティファクトに脆弱なままにしておく。 低ランク適応(LoRA)を介してSegment Anything Model 3(SAM3)にパラメータ効率の良い微調整を適用するフレームワークを提案する。 7つの注釈付きボリュームで、このフレームワークは全データの精度の95%以上を保持し、パイプライン全体は1つのコンシューマグレードのGPUでトレーニングできる。
  論文  参考訳（メタデータ） (2026-06-14T05:12:57Z)
• Advanced Deep Learning Techniques for Automated Segmentation of Type B Aortic Dissections [4.545298205355719]
  B型大動脈解離切除のための深層学習パイプラインを4本開発した。 Dice Coefficients for TL, 0.88 $pm$ 0.18, 0.47 $pm$ 0.25であった。
  論文  参考訳（メタデータ） (2025-06-27T13:38:33Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• A Deep Learning-Based Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis From 3D Echocardiography [0.3387808070669509]
  開発したアプローチは、MVアンラスとリーフレットのマルチクラスセグメンテーションのためのU-Netアーキテクチャを備えた3次元マルチデコーダ残差畳み込みニューラルネットワーク(CNN)に依存している。 プロセス全体は最小限のユーザインタラクションを必要とし、約15秒を要する。
  論文  参考訳（メタデータ） (2023-02-21T12:48:44Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。