論文の概要: Inference-Time Orthogonal Seeding Enables Geometry-Aligned 3D Organ Segmentation for Slice-Propagation Methods

• arxiv url: http://arxiv.org/abs/2608.12658v1
• Date: Wed, 12 Aug 2026 23:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.347272
• Title: Inference-Time Orthogonal Seeding Enables Geometry-Aligned 3D Organ Segmentation for Slice-Propagation Methods
• Title（参考訳）: スライス・プロパゲーション法における幾何配位3次元臓器切片の推測時間直交シーディング
• Authors: Md Rakibul Haque, Tushar Kataria, Shireen Y. Elhabian,
• Abstract要約: 単スライスボクセルレベルのアノテーションは3次元画像のセグメンテーションにおいて大きなボトルネックとなる。 キートレーニングと推論の選択がスライスプロパゲーションモデルにどのように影響するかを検討する。
• 参考スコア（独自算出の注目度）: 5.006776992200245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dense voxel-level annotation remains a major bottleneck in 3D medical image segmentation. Single-slice propagation methods such as Sli2Vol reduce this burden by propagating one annotated seed slice through a volume using label-free registration. However, axial-only propagation accumulates errors with distance from the seed, especially in surface-distance metrics, because it ignores coronal and sagittal evidence and therefore underuses the 3D information available in CT/MRI volumes. To better leverage volumetric geometry, we study how key training and inference choices affect slice-propagation models, including single-axis versus multi-axis label-free registration, single-seed versus multi-seed propagation, and orthogonal seed configurations. Instead of propagating from a single axial seed, we use three orthogonal seeds---one axial, one coronal, and one sagittal---and fuse their propagated labels with a simple label-free rule. Our results show that the training paradigm has limited impact: an axially trained network applied to off-axis seeds captures nearly all the improvement, while explicit three-axis training adds little. Instead, performance is driven by inference-time seed geometry, especially orthogonality rather than the number of annotated slices, as a budget-matched three-axial control provides no benefit and can even degrade performance. On a multi-organ CT cohort, orthogonal seeding with the axial Sli2Vol backbone improves Dice by 21.9%, Normalized Surface Dice by 25.5%, and reduces Average Hausdorff Distance by 53.5% over the single-axis baseline.
• Abstract（参考訳）: 複雑なボクセルレベルのアノテーションは、3D画像のセグメンテーションにおいて大きなボトルネックとなっている。 Sli2Volのような単一スライス伝播法は、ラベルなし登録を用いて1つの注釈付き種子スライスをボリュームで伝播することにより、この負担を軽減する。 しかし、軸方向のみの伝播は、特に表面距離の測定値において、冠状および矢状的証拠を無視し、CT/MRIのボリュームで利用可能な3D情報を過小評価するため、種子からの距離で誤差を蓄積する。 ボリューム幾何学をより活用するために,単一軸対多軸ラベルフリー登録,単列対多列伝播,直交シード構成など,キートレーニングと推論の選択がスライスプロパゲーションモデルにどのように影響するかを検討する。 1つの軸の種から伝播する代わりに、3つの直交種(軸軸1つ、コロナ1つ、サジタル1つ)を使用し、単純なラベルのない規則でそれらの伝播ラベルを融合させる。 オフ軸シードに適用された軸方向トレーニングネットワークは,ほぼすべての改善を捉えつつも,明示的な3軸トレーニングは少ない。 代わりに、パフォーマンスは推論時のシード幾何学、特にアノテートされたスライスの数ではなく直交性によって駆動される。 多臓器CTコホートでは、軸方向のSli2Volバックボーンによる直交シードは、Diceを21.9%改善し、正規化表面Diceを25.5%改善し、Average Hausdorff Distanceを53.5%削減する。

関連論文リスト

• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• Precise Liver Tumor Segmentation in CT Using a Hybrid Deep Learning-Radiomics Framework [5.499971648188868]
  本稿では,注目度の高いU-Netと,手作りラジオミクスとボクセルワイド3DCNNの改良を併用したハイブリッドフレームワークを提案する。 2.5Dの2段階ネットワークは、密結合エンコーダ、サブピクセル畳み込みデコーダ、マルチスケールアテンションゲートを備え、初期肝と腫瘍の確率マップを生成する。 AlexNetから派生したコンパクトな3DパッチベースのCNNは、腫瘍境界付近の狭い帯域で動作し、ボクセルレベルのリラベリングと輪郭の平滑化を行う。
  論文  参考訳（メタデータ） (2025-12-08T14:09:21Z)
• JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation [8.81080587136333]
  我々は3次元医療データのためのデータ拡張フレームワークであるJanusNetを提案する。 私たちのSlice-Block Shuffleステップは、ランダムな軸に沿ってボリュームに同じインデックススライスブロックをシャッフルします。 我々の信頼誘導変位ステップは、予測信頼性を利用して各スライス内のブロックを置換し、困難な領域からの信号を増幅する。
  論文  参考訳（メタデータ） (2025-08-06T01:08:02Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation [24.506059129303424]
  半教師付き学習の最近の傾向は、3次元半教師付き医用画像セグメンテーションの性能を高めている。 これらの見解と隣接する3次元スライス間の本質的な類似性は、我々は新しいアノテーション方法を開発するきっかけとなった。 そこで我々は,Dense-Sparse Co-Training (DeSCO) というデュアルネットワーク・パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T08:10:25Z)
• Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch Decoder Network [28.946037652152395]
  本研究は,スライス内分解能とスライス間分解能の比の幅広い変動を性能の重要な障害とみなす。 本研究では,各スライスに対して,平面内セマンティクスだけでなく,外面にもとづく特徴を抽出することを強調するスライス対応2.5Dネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-07T14:31:26Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
  大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。 そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。 提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
  論文  参考訳（メタデータ） (2020-11-19T18:53:11Z)
• Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study [2.6205925938720833]
  最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。 LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。 メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
  論文  参考訳（メタデータ） (2020-04-06T11:08:12Z)

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。