論文の概要: DynoDINO: Harnessing Dynamic Latent Information from DINO Features for Multi-Phase Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2607.29568v1
- Date: Fri, 31 Jul 2026 15:55:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.790721
- Title: DynoDINO: Harnessing Dynamic Latent Information from DINO Features for Multi-Phase Medical Image Segmentation
- Title（参考訳）: DynoDino:多相医用画像分割のためのDINO特徴からの動的潜伏情報
- Abstract要約: 多相医用画像セグメンテーションの課題に対処するための統合フレームワークであるDynoDinoを提案する。
融合モデルでは,多相特徴キャリブレーションを効率的に行うMix-attention機構と,差分に基づく残差学習を伴う適応ゲーティング機構を取り入れた。
LiTS、PLC-CECT、WAW-TACEを含む3つの大規模データセットの実験は、DynoDINOが境界線と構造フィデリティを一貫して改善することを示した。
- 参考スコア（独自算出の注目度）: 9.168167275293227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-phase Contrast-Enhanced Computed Tomography (CECT) plays a central role in the diagnosis and characterization of focal lesions by capturing temporal enhancement patterns across multiple acquisition phases. Accurate lesion segmentation from such data remains challenging because clinically relevant contrast kinetics are distributed across phases, while anatomical inconsistencies, respiratory motion, and incomplete acquisitions often lead to inter-phase misalignment and interrupted temporal information. Conventional segmentation frameworks typically process each phase independently or rely on simple fusion strategies, limiting their temporal reasoning capability. To address these challenges, we propose DynoDINO, a unified framework tailored to address the core challenges of multi-phase medical image segmentation. DynoDINO first performs slice-level alignment to establish inter-phase anatomical correspondence and then employs a Multi-phase Fusion Model to jointly enhance temporal correlations across phases. Our fusion model incorporates a Mix-attention (MA) mechanism for efficient multi-phase feature calibration and an Adaptive Gating Mechanism with difference-based residual learning to selectively preserve diagnostically relevant contrast variations while suppressing artifacts caused by residual misalignment. In addition, the adaptive gating mechanism improves training stability by preventing feature degradation caused by unguided subtraction operations. Experiments on three large-scale datasets, including LiTS, PLC-CECT, and WAW-TACE, demonstrate that DynoDINO consistently improves boundary delineation and structural fidelity under standard, shifted, and missing-phase conditions.
- Abstract（参考訳）: マルチフェーズコントラスト強調CT(CECT)は, 多段階にわたる時間的拡張パターンを捉え, 局所病変の診断・評価において中心的な役割を担っている。
このようなデータからの正確な病変分割は、臨床に関連のあるコントラスト動態が相に分散しているのに対して、解剖学的不整合、呼吸運動、不完全取得は相間ミスアライメントや時間情報の中断につながることが多いため、依然として困難である。
従来のセグメンテーションフレームワークは通常、各フェーズを独立して処理するか、あるいは単純な融合戦略に依存し、時間的推論能力を制限する。
これらの課題に対処するために,多相医用画像セグメンテーションの課題に対処するための統合フレームワークDynoDinoを提案する。
ダイノディーノはまず、相間解剖学的対応を確立するためにスライスレベルアライメントを行い、その後、フェーズ間の時間相関を協調的に強化するために多相融合モデルを用いている。
融合モデルでは, マルチフェーズ特徴キャリブレーションを効率的に行うMix-attention(MA)機構と, 差分ベース残差学習を用いた適応ゲーティング機構を取り入れ, 残差調整によるアーティファクトの抑制を図りながら, 診断に関連のあるコントラスト変動を選択的に保存する。
さらに、適応ゲーティング機構は、未誘導減算操作による特徴劣化を防止し、トレーニング安定性を向上させる。
LiTS、PLC-CECT、WAW-TACEを含む3つの大規模データセットの実験により、DynoDINOは標準条件、シフト条件、欠相条件の下で境界線と構造的忠実度を一貫して改善することを示した。
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) - Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。
3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
論文 参考訳（メタデータ） (2026-05-27T12:33:46Z) - TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification [10.329406702659123]
造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。
既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。
本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
論文 参考訳（メタデータ） (2025-12-04T08:44:50Z) - Multimodal Medical Endoscopic Image Analysis via Progressive Disentangle-aware Contrastive Learning [11.158864816564538]
本稿では,Align-Disentangle-Fusion'機構に基づく,革新的な多モード表現学習フレームワークを提案する。
本手法は最先端のアプローチを一貫して上回り,様々な臨床シナリオにおいて高い精度を達成している。
論文 参考訳（メタデータ） (2025-08-23T03:02:51Z) - T-CACE: A Time-Conditioned Autoregressive Contrast Enhancement Multi-Task Framework for Contrast-Free Liver MRI Synthesis, Segmentation, and Diagnosis [5.9273237904788045]
非造影MRI(NCMRI)から直接造影MRI(CEMRI)を合成するためのT-CACE(Time-Conditioned Autoregressive Contrast Enhancement)フレームワークを提案する。
T-CACEは、解剖学的先行情報と時間相情報を潜在表現に統一する条件付きトークン符号化(CTE)機構と、相間情報の流れを適応的に調節する動的時間認識型注意マスク(DTAM)の3つの中心的革新を導入している。
2つの独立した肝MRIデータセットの実験により、T-CACEは画像合成、セグメンテーション、病変において最先端の手法より優れていることが示された
論文 参考訳（メタデータ） (2025-08-13T16:14:14Z) - CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - 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) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z)
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。