論文の概要: Spatial Normalization for Cross-Domain Retinal Layer Segmentation in Optical Coherence Tomography

• arxiv url: http://arxiv.org/abs/2607.16065v1
• Date: Fri, 17 Jul 2026 15:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.892449
• Title: Spatial Normalization for Cross-Domain Retinal Layer Segmentation in Optical Coherence Tomography
• Title（参考訳）: 光コヒーレンストモグラフィーにおける領域横断網膜層分割の空間正規化
• Abstract要約: 我々はOCTボリュームを共通の解剖学的基準に整合させるFovea中心の正規化フレームワークを導入する。 分割品質を総合的に評価するために,従来のBスキャンレベルでのオーバーラップベース指標とAスキャンレベルでのトポロジ対応指標と,顔レベルでの厚みベース指標を組み合わせた。
• 参考スコア（独自算出の注目度）: 0.4497001527881303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal layer segmentation in Optical Coherence Tomography (OCT) is a fundamental step for extracting quantitative biomarkers of retinal structure. Indeed, there is a growing interest in the analysis of OCTs in the context of neurodegenerative diseases. However, segmentation remains challenging due to speckle noise, shadowing artifacts, low contrast between adjacent layers, anatomical variability across subjects, and domain shifts arising from different acquisition protocols and clinical populations. While deep learning methods have achieved remarkable performance, their robustness and generalization across heterogeneous datasets remain limited. In this work, we investigate the role of spatial normalization as a preprocessing strategy to mitigate geometric domain shifts and improve the consistency of retinal layer segmentation. Inspired by standard practices in neuroimaging, we introduce a fovea-centered normalization framework that aligns OCT volumes into a common anatomical reference. We perform a comprehensive evaluation of state-of-the-art deep learning architectures. To provide a comprehensive assessment of segmentation quality, we combine conventional overlap-based metrics at B-scan level with topology-aware metrics at A-scan level and thickness-based measures at the en-face level. In cases where a ground truth is not available, we propose topology violation quantitative metrics that do not require ground truth annotations and a thickness-based qualitative assessment that captures structural consistency and clinically relevant patterns at the en-face level. The results demonstrate the importance of spatial normalization in OCT segmentation pipelines toward the development of robust and clinically meaningful retinal analysis tools, enabling reliable biomarker extraction and downstream computational analysis in neurodegenerative research.
• Abstract（参考訳）: 光コヒーレンス・トモグラフィー(OCT)における網膜層セグメンテーションは、網膜構造の定量的バイオマーカーを抽出するための基本的なステップである。 実際、神経変性疾患の文脈におけるOCTの分析への関心が高まっている。 しかし, スペックルノイズ, シャドーイングアーティファクト, 隣接層間の低コントラスト, 被検体間の解剖学的変動, 異なる取得プロトコルや臨床集団から生じるドメインシフトにより, セグメンテーションは依然として困難である。 ディープラーニング手法は目覚ましい性能を達成したが、その頑健さとヘテロジニアスデータセット間の一般化は依然として限られている。 本研究では,幾何学的領域シフトを緩和し,網膜層セグメンテーションの整合性を改善するための前処理戦略として空間正規化が果たす役割について検討する。 神経イメージングの標準的な実践に触発されて,OCTボリュームを共通の解剖学的基準に整合させるFovea中心の正規化フレームワークを導入する。 我々は最先端のディープラーニングアーキテクチャを包括的に評価する。 分割品質を総合的に評価するために,従来のBスキャンレベルでのオーバーラップベース指標とAスキャンレベルでのトポロジ対応指標と,顔レベルでの厚みベース指標を組み合わせた。 基礎的真理が得られない場合には, 地層的真理アノテーションを必要としないトポロジ違反量と, 表面レベルでの構造的整合性および臨床関連パターンを捉える厚みに基づく定性評価を提案する。 その結果, OCTセグメンテーションパイプラインにおける空間正規化の重要性が, 堅牢で臨床的に有意な網膜解析ツールの開発へ向けられ, 神経変性研究における信頼性の高いバイオマーカー抽出と下流の計算解析を可能にした。

関連論文リスト

• Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
  画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。 コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
  論文  参考訳（メタデータ） (2026-06-30T15:42:23Z)
• 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)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• Prior-AttUNet: Retinal OCT Fluid Segmentation Based on Normal Anatomical Priors and Attention Gating [6.013762133627291]
  本研究は, 生成解剖学的先行を付加したセグメンテーションモデルである Pre-AttUNet を紹介する。 このフレームワークは、生成前の経路とセグメンテーションネットワークを統合するハイブリッドなデュアルパスアーキテクチャを採用している。 このモデルは計算コストが 0.37 TFLOPs で、セグメント精度と推論効率の効果的なバランスを保っている。
  論文  参考訳（メタデータ） (2025-12-25T14:37:04Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• SD-RetinaNet: Topologically Constrained Semi-Supervised Retinal Lesion and Layer Segmentation in OCT [5.409364353574134]
  完全微分可能なバイオマーカートポロジエンジンを導入した新しい半教師付きモデルを提案する。 我々のモデルは、空間的要素とスタイル要素を分離して、不整合表現を学習する。 我々は,OCTスキャンの公開および内部データセット上で提案したモデルを評価し,病変と層分断の双方において現状よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-09-25T07:56:38Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)
• 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)
• Spatially Dependent U-Nets: Highly Accurate Architectures for Medical Imaging Segmentation [10.77039660100327]
  解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。 提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。 本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
  論文  参考訳（メタデータ） (2021-03-22T10:37:20Z)

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。