論文の概要: Curia-MAE: Multi-Modal Multi-Anatomy MAE Pre-Training for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.05844v2
• Date: Fri, 07 Aug 2026 15:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 14:11:31.12949
• Title: Curia-MAE: Multi-Modal Multi-Anatomy MAE Pre-Training for 3D Medical Image Segmentation
• Title（参考訳）: Curia-MAE:3次元医用画像分割のためのマルチモーダルマルチ解剖学MAE事前評価
• Authors: Théo Danielou, Antoine Saporta, Léo Alberge, Corentin Dancette,
• Abstract要約: 我々は,300,000CTおよびMRI画像上で事前訓練されたマルチモーダル・マルチ解剖学MAEモデルであるCuria-MAEを提案する。 8つの解剖学的および病変に焦点を当てたセグメンテーションベンチマークでは、Curia-MAEは強力なMAEベースラインよりも凍結エンコーダの性能を改善している。 これらの結果から,単一凍結エンコーダを多種多様なセグメンテーションタスクで再利用できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.970778891214216
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Radiology foundation models learn transferable representations that can be adapted to new tasks by training only small layers on top of a frozen encoder. Dense prediction tasks such as 3D segmentation are, however, underrepresented in their evaluation, and, with the encoder kept frozen, pre-trained models still fall short of nnU-Net, the state-of-the-art reference trained from scratch. To close this gap we extend convolutional MAE pre-training with a robust reconstruction objective, a feature regularizer, and a local-global similarity objective. Using this method, we propose Curia-MAE, a multi-modal, multi-anatomy MAE model pre-trained on 300,000 CT and MRI images covering a large number of anatomical sites. On eight anatomy- and lesion-focused segmentation benchmarks, Curia-MAE improves frozen-encoder performance over a strong MAE baseline, while remaining competitive under full finetuning and superior on lesion tasks, where labeled data is scarce. These results indicate that a single frozen encoder can be reused across diverse segmentation tasks, reducing the cost of adapting and deploying such models in clinical workflows. Curia-MAE pre-trained model weights are made publicly available at https://huggingface.co/raidium/Curia-MAE.
• Abstract（参考訳）: ラジオロジー基礎モデルは、凍結エンコーダ上の小さな層のみをトレーニングすることで、新しいタスクに適応できる転送可能な表現を学習する。 しかし、3Dセグメンテーションのような複雑な予測タスクは評価において不足しており、エンコーダが凍結し続けると、訓練済みのモデルはスクラッチから訓練された最先端の参照であるnnU-Netに欠ける。 このギャップを埋めるために、我々は、頑健な再構成目標、特徴正規化器、および局所的な類似性目標による畳み込みMAE事前訓練を拡張した。 本手法を用いて, 多数の解剖学的部位を対象とし, 300,000CTおよびMRI画像で事前訓練したマルチモーダル・マルチ解剖学MAEモデルであるCuria-MAEを提案する。 8つの解剖学的および病変に焦点を当てたセグメンテーションベンチマークでは、Curia-MAEは強力なMAEベースライン上での凍結エンコーダのパフォーマンスを向上する一方で、完全な微調整とラベル付きデータが不足している障害タスクにおいて競争力を維持している。 これらの結果から,単一の凍結エンコーダを多種多様なセグメンテーションタスクにまたがって再利用できることが示唆された。 Curia-MAEの事前トレーニングモデルウェイトはhttps://huggingface.co/raidium/Curia-MAEで公開されている。

関連論文リスト

• MAE-Based Self-Supervised Pretraining for Data-Efficient Medical Image Segmentation Using nnFormer [0.5437050212139087]
  nnFormerを含むトランスフォーマーアーキテクチャは、ボリューム医療画像セグメンテーションにおいて有望な結果を示してきた。 これらのモデルは大量のラベル付きトレーニングデータを必要とし、過度に適合し、トレーニングが不安定になる可能性がある。 これは、時間を要しただけでなく、専門家が注記した医用画像の入手にも費用がかかるため、深刻な実務上の問題である。 我々は、自己教師付き事前学習フレームワークを用いて、nnFormerの効率を向上することで、これらの欠点を解決した。
  論文  参考訳（メタデータ） (2026-04-22T11:29:08Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Few-Shot Deployment of Pretrained MRI Transformers in Brain Imaging Tasks [2.982793366290863]
  種々の脳画像タスクにおいて,事前訓練したMRIトランスフォーマーを数発配置するためのフレームワークを提案する。 Masked Autoencoder (MAE) 事前学習戦略を利用することで,タスクやデータセット間でよく一般化された,高度に伝達可能な潜在表現が得られる。
  論文  参考訳（メタデータ） (2025-08-07T18:53:28Z)
• SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation [20.026663367994356]
  大量のフルボディCT画像は、強力なモデルを事前訓練する機会を提供する。 これらの事前訓練されたモデルが、下流の様々な医療セグメンテーションタスクに移行できる状況は、まだ不明である。 我々は,全体CT事前訓練モデルの転写能力を評価するために,モダリティ,ターゲット,サンプルサイズが異なる87の公開データセットを収集した。
  論文  参考訳（メタデータ） (2024-11-21T19:00:01Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• MIS-FM: 3D Medical Image Segmentation using Foundation Models Pretrained on a Large-Scale Unannotated Dataset [14.823114726604853]
  本稿では,3次元セグメンテーションモデルを事前学習するための,VF(Volume Fusion)と呼ばれる新たな自己教師型学習戦略を提案する。 VFは、手動のアノテーションなしで自己教師付きセグメンテーションタスクとして定式化される各ボクセルの融合係数を予測するようモデルを強制する。 頭部, 頸部臓器, 胸部, 腹部臓器など, 下流領域の異なる部位を対象とする実験により, 我々の事前訓練モデルがスクラッチからトレーニングに優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-06-29T13:22:13Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty Estimation in 3D Cardiac MRI Image Segmentation [0.0]
  画素レベル(セグメンテーション)タスクと幾何学レベル(距離マップ)タスクの相関を強制するマルチタスククロスタスク学習整合性アプローチを提案する。 本研究は、与えられたモデルから低品質セグメンテーションをフラグする我々のモデルの可能性をさらに示すものである。
  論文  参考訳（メタデータ） (2021-09-16T03:53:24Z)

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。