論文の概要: Rethinking Medical Landmark Localization with Prototype Learning-based Progressive Offset Correction
- arxiv url: http://arxiv.org/abs/2608.09182v2
- Date: Wed, 12 Aug 2026 03:59:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 14:28:20.482474
- Title: Rethinking Medical Landmark Localization with Prototype Learning-based Progressive Offset Correction
- Title（参考訳）: 原型学習に基づくプログレッシブオフセット補正による医用ランドマークのローカライゼーション再考
- Authors: Jingxian Xu, Yuhao Huang, Rusi Chen, Yanfeng Zhou, Dong Ni,
- Abstract要約: 本研究では,ランドマークのローカライゼーションにプロトタイプ学習に基づくプログレッシブオフセット補正を利用するパラメータ・エコノミクスモデルPPOC-LLを提案する。
まず, パッチレベルの特徴ピラミッドモデリングのためのマルチスケール動的認識戦略を導入する。第2に, 解剖学的に類似したパターンを効果的に扱うために, 堅牢なオフセット予測のための情報的局所的セマンティクスを捕捉する類似性駆動型学習機構を設計する。最後に, モデル学習を安定化し, 全体的な性能を改善するために, 耐障害性に基づくバランスによる新しいエラー認識信頼性正規化を導入する。
- 参考スコア（独自算出の注目度）: 9.30702458761404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate landmark localization in medical images is a fundamental step for quantitative clinical measurement and downstream analysis. Existing localization methods have advanced, among which multi-stage refinement is a superior solution. Although this strategy mitigates the anatomical ambiguity inherent in single-stage global predictions, its high computational cost limits practical applicability. In this work, we propose a parameter-economic model, PPOC-LL, which leverages Prototype learning-based Progressive Offset Correction for Landmark Localization. Our contribution is three-fold. First, to drive coarse-to-fine landmark optimization, we introduce a multi-scale dynamic perception strategy for patch-level feature pyramid modeling. Second, to effectively handle anatomically similar patterns, we design a similarity-driven prototype learning mechanism that captures informative local semantics for robust offset prediction. Last, to stabilize the model learning and improve the overall performance, we incorporate a novel error-aware reliability regularization via tolerance-based balancing. We collected a large validation cohort, including two public and one private datasets spanning X-ray and ultrasound modalities, covering cephalometric, symphysis-fetal head, and fetal heart landmarks. Extensive experiments demonstrate that PPOC-LL achieves satisfactory performance with a favorable trade-off between accuracy and model complexity.
- Abstract（参考訳）: 医学画像における正確なランドマークの定位化は、定量的な臨床的測定と下流分析の基本的なステップである。
既存のローカライゼーション手法は進歩しており、そのうちの1つはマルチステージリファインメントが優れた解である。
この戦略は、単段階のグローバル予測に固有の解剖学的曖昧さを緩和するが、その高い計算コストは実用性を制限する。
本研究では,プロトタイプ学習に基づくランドマーク局所化のためのプログレッシブオフセット補正を利用したパラメータ経済モデルPPOC-LLを提案する。
私たちの貢献は3倍です。
まず、粗大なランドマーク最適化を実現するために、パッチレベルの特徴ピラミッドモデリングのためのマルチスケール動的認識戦略を導入する。
第二に、解剖学的に類似したパターンを効果的に処理するために、ロバストなオフセット予測のための情報的局所意味論をキャプチャする類似性駆動型プロトタイプ学習機構を設計する。
最後に、モデル学習を安定させ、全体的な性能を改善するために、許容バランスによる新しいエラー認識信頼性正規化を導入する。
X線および超音波モダリティにまたがる2つのパブリックデータセットと1つのプライベートデータセットを含む大規模な検証コホートを収集した。
PPOC-LLは精度とモデル複雑性のトレードオフを良好に達成できることを示した。
関連論文リスト
- CDPM-Align: Multi-Scale Guidance-Aligned Diffusion Pretraining for Robust Few-Shot Anatomical Landmark Detection [7.205733158614911]
CDPMアライン(CDPM-align)は、解剖学的ランドマーク検出のためのマルチスケール誘導整合条件拡散事前トレーニングである。
我々は,条件付き生成事前学習による表現学習のために,多種多様な小型ベンチマークデータセットを3つ採用している。
その結果,生成前学習により,モデルが頑健な表現を学習できることが確認された。
論文 参考訳（メタデータ） (2026-06-03T13:59:42Z) - The Geometry of Transfer: Unlocking Medical Vision Manifolds for Training-Free Model Ranking [31.961181244685932]
本稿では, 統計重なりではなく, 多様体のトラクタビリティを評価するトポロジ駆動転送可能性推定フレームワークを提案する。
本手法は,重み付きケンドールの相対的改善率約6031%により,最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-27T11:04:15Z) - Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。
我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。
乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文 参考訳（メタデータ） (2026-01-29T14:06:50Z) - Localized Latent Editing for Dose-Response Modeling in Botulinum Toxin Injection Planning [4.185301436243608]
ボツリヌス毒素(ボツリヌス毒素、Botulinum toxin)は、顔の非対称性と審美的回復を管理するための金の標準である。
そこで本研究では,Botulinum Toxin注入効果を模擬した局所潜時編集フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-27T13:26:29Z) - Multimodal Feature Prototype Learning for Interpretable and Discriminative Cancer Survival Prediction [15.83495701073124]
本稿では,がん生存予測の強化を目的とした,革新的なプロトタイプベースのマルチモーダルフレームワークFeatProtoを紹介する。
本フレームワークは,スライド画像全体(WSI)のグローバルな特徴と局所的な特徴をゲノムプロファイルと統合する。
本手法は,既存の一様・多様生存予測手法を精度,相互運用性ともに超越した手法である。
論文 参考訳（メタデータ） (2025-10-07T16:49:52Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳（メタデータ） (2021-05-19T13:39:18Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。