論文の概要: CoInS-Net: A Continuous Position-Aware Network for Joint Medical Image Interpolation and Segmentation

• arxiv url: http://arxiv.org/abs/2608.09391v1
• Date: Mon, 10 Aug 2026 10:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.205013
• Title: CoInS-Net: A Continuous Position-Aware Network for Joint Medical Image Interpolation and Segmentation
• Title（参考訳）: CoInS-Net: 医用画像の補間と分割のための連続的位置認識ネットワーク
• Abstract要約: 本稿では,CoInS-Netと呼ばれる連続的な位置連続性相互作用ネットワークを提案する。 プロトタイプベースのタスク相互相互作用モジュールは、セグメント化とブランチがグローバル構造を交換することを可能にする。 マルチスケールタスク協調デコーダは、各スケールを共有およびタスク固有のコンポーネントに分離するので、2つのタスクは共通の解剖を補強する。
• 参考スコア（独自算出の注目度）: 8.415835019440769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate medical image interpolation and anatomical structure segmentation are fundamental for computer-aided diagnosis and treatment planning. Anisotropic medical volumes with sparse through-plane sampling often suffer from structural discontinuity and boundary blur, hindering reliable clinical image analysis. Most existing methods implement interpolation and segmentation independently, which introduces redundant computation and fails to fully exploit complementary cross-slice structural information between sequential slices. To address these issues, we propose a continuous position-aware interaction network, termed CoInS-Net, for joint frame interpolation and lesion segmentation. Unlike conventional cascaded interpolation-then-segmentation paradigms, the framework enables bidirectional interaction under a shared Swin encoder with continuous spatial coordinate queries. A spatially continuous position interpolation module generates target-position features at every scale from the relative coordinate and physical spacing, and a prototype-based task mutual interaction module lets the segmentation and interpolation branches exchange global structure through a small set of shared prototypes rather than dense feature mixing. A multi-scale task-cooperative decoder further separates each scale into shared and task-specific components, so the two tasks reinforce common anatomy while preserving their distinct requirements down to the boundary level, without extra annotations. Experiments on four public medical imaging datasets with diverse modalities and anatomical regions demonstrate that the proposed method outperforms conventional single-task schemes. The joint optimization framework effectively realizes mutual promotion between interpolation and segmentation tasks, providing a reliable and universal technical scheme for intelligent clinical medical image analysis.
• Abstract（参考訳）: 正確な医用画像補間と解剖学的構造セグメンテーションはコンピュータ支援診断と治療計画の基礎となる。 スパース・スループレーンサンプリングの異方性医学ボリュームは、しばしば構造的不連続性と境界のぼかしに悩まされ、信頼性の高い臨床画像解析を妨げる。 既存のほとんどのメソッドは補間と分割を独立に実装しており、冗長な計算を導入しており、シーケンシャルスライス間の補完的なクロススライス構造情報を完全に活用できない。 これらの問題に対処するため、我々はCoInS-Netと呼ばれる連続的な位置認識相互作用ネットワークを提案し、関節フレームの補間と病変のセグメンテーションを行う。 従来のカスケード補間分離パラダイムとは異なり、このフレームワークは共有スウィンエンコーダと連続空間座標クエリとの双方向相互作用を可能にする。 空間連続的な位置補間モジュールは、相対座標と物理間隔から各スケールの目標位置特徴を生成し、プロトタイプベースのタスク相互相互作用モジュールは、密な特徴混合ではなく、小さな共有プロトタイプセットを介して、セグメント化と補間ブランチがグローバル構造を交換する。 マルチスケールのタスク協調デコーダは、各スケールを共有およびタスク固有のコンポーネントに分離するので、2つのタスクは共通解剖を補強し、それぞれの要求を追加アノテーションなしで境界レベルまで保存する。 様々な形態と解剖学的領域を持つ4つの公開医療画像データセットの実験により、提案手法が従来の単一タスク方式よりも優れていることが示された。 統合最適化フレームワークは、相互補間とセグメンテーションタスクの相互促進を効果的に実現し、インテリジェントな臨床画像解析のための信頼性と普遍的な技術スキームを提供する。

関連論文リスト

• UniMedSeg: Unified In-Context Learning for Multi-Paradigm 2D/3D Medical Image Segmentation [44.30877351899412]
  UniMedSegは、医療画像のためのトランスフォーマー中心のユニバーサルセグメンテーションフレームワークである。 視覚例、幾何学的相互作用、言語命令、および2D/3D画像を共有シーケンス空間にマッピングする。 タスク固有の微調整なしで、ビジュアル・イン・コンテキスト、インタラクティブ、言語誘導セグメンテーションにまたがって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） (2026-07-14T15:34:46Z)
• 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)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• PULSE: A Unified Multi-Task Architecture for Cardiac Segmentation, Diagnosis, and Few-Shot Cross-Modality Clinical Adaptation [0.27998963147546135]
  PULSEは、自己教師付き表現に基づいて構築され、複合的な監視戦略によって最適化されたマルチタスク視覚言語フレームワークである。 マルチスケールトークン再構成デコーダは解剖学的セグメンテーションを可能にし、共有グローバル表現は疾患分類と臨床背景テキスト出力をサポートする。 従来のタスク固有のパイプラインとは異なり、PULSEはタスク不変の心臓前兆を学習し、データセット間で堅牢に一般化し、最小限の監視で新しい画像モダリティに適応することができる。
  論文  参考訳（メタデータ） (2025-12-03T14:49:01Z)
• Co-Seg++: Mutual Prompt-Guided Collaborative Learning for Versatile Medical Segmentation [4.584473085778697]
  医用画像解析は、臓器や組織を共同で分割する必要があるため、重要な課題である。 既存の研究は通常、異なるセグメンテーションタスクを独立した形で定式化している。 汎用医療セグメンテーションのためのCo-Seg++フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T17:05:09Z)
• Robust Semi-supervised Multimodal Medical Image Segmentation via Cross Modality Collaboration [21.97457095780378]
  本稿では,ラベル付きデータの不足やモダリティの不一致に頑健な,新しい半教師付きマルチモーダルセグメンテーションフレームワークを提案する。 本フレームワークでは,各モダリティに固有の,モダリティに依存しない知識を蒸留する,新たなモダリティ協調戦略を採用している。 また、対照的な一貫した学習を統合して解剖学的構造を規制し、ラベルのないデータに対する解剖学的予測アライメントを容易にする。
  論文  参考訳（メタデータ） (2024-08-14T07:34:12Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。