Fugu-MT 論文翻訳(概要): Flow Matching Meets 3D Curvilinear Structure Segmentation in Medical Imaging

論文の概要: Flow Matching Meets 3D Curvilinear Structure Segmentation in Medical Imaging

arxiv url: http://arxiv.org/abs/2608.19965v1
Date: Thu, 20 Aug 2026 12:35:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.563059
Title: Flow Matching Meets 3D Curvilinear Structure Segmentation in Medical Imaging
Title（参考訳）: 医用画像における3次元曲線構造セグメンテーションとフローマッチング
Abstract要約: 本稿では3次元曲線構造セグメンテーションのためのフローマッチングモデルである3D-CurvSegFlowを提案する。モデルは、単純なソース分布からターゲットの血管表現への連続的な変換を学習し、複雑な曲線幾何学の進歩的な洗練を可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmentation of curvilinear anatomical structures in 3D medical images remains challenging due to complex topology, severe class imbalance, weak contrast, and large variations in structure morphology. While deep learning approaches for 3D curvilinear segmentation have been proposed, they are often tailored to specific anatomies or modalities, limiting generalization across clinical settings and leaving room for improvement. Recent generative models have shown the benefits of iterative prediction for structured segmentation tasks, yet diffusion-based methods suffer from computationally expensive sampling, hindering their use on high-resolution 3D volumes. We present 3D-CurvSegFlow, a flow matching-based model for 3D curvilinear structure segmentation. The model learns a continuous transformation from a simple source distribution to the target vascular representation, enabling progressive refinement of complex curvilinear geometries with efficient inference. We evaluate our method on Three public challenging datasets covering distinct anatomies and modalities: portal vein, cerebral vessel, and coronary arteries. Using a common architecture and training strategy across all tasks, our method outperforms general-purpose and vessel-specific approaches, with strong preservation of thin branches and vascular continuity. This work not only advances the state-of-the-art in 3D curvilinear segmentation but also opens new avenues for efficient, generalizable, and clinically applicable methods in medical image analysis.
Abstract（参考訳）: 複雑なトポロジー, 厳密なクラス不均衡, コントラストの弱さ, 構造形態の大きな変化により, 3次元医用画像における線状解剖構造の分割は依然として困難である。 3Dカービリナーセグメンテーションのための深層学習アプローチが提案されているが、しばしば特定の解剖学やモダリティに合わせて調整され、臨床環境における一般化を制限し、改善の余地を残している。最近の生成モデルは、構造化セグメンテーションタスクに対する反復予測の利点を示しているが、拡散ベースの手法は計算に高価なサンプリングに悩まされ、高解像度の3Dボリュームでの使用を妨げている。本稿では3次元曲線構造セグメンテーションのためのフローマッチングモデルである3D-CurvSegFlowを提案する。モデルは、単純なソース分布からターゲットの血管表現への連続的な変換を学習し、効率的な推論で複雑な曲線幾何学の進歩的な洗練を可能にする。本手法は門脈,血管,冠動脈の3つの解剖学的特徴を網羅する公試的データセットを用いて検討した。本手法は,すべてのタスクに共通するアーキテクチャとトレーニング戦略を用いて,細い枝の保存と血管の連続性を強く保ち,汎用的および血管特異的アプローチより優れる。この研究は、3Dカービリナーセグメンテーションにおける最先端の進歩だけでなく、医療画像解析における効率、一般化、臨床応用のための新たな道を開く。

関連論文リスト

Anatomy-Aware 3D Mesh Refinement of Pericardium Segmentations on Computed Tomography [0.29796366826999543]
心臓CT検査におけるペリカルディウムは、コントラスト境界が低かったため、セグメンテーションが最も困難である構造物の1つである。この研究は、固有の解剖学的規則から派生した解剖学的および幾何学的力のバランスをとる、新しい3D反復メッシュ精錬フレームワークを導入している。
論文参考訳（メタデータ） (2026-07-21T15:40:58Z)
VesselSim: learning 3D blood vessel segmentation without expert annotations [7.634402582162916]
ユニバーサル3D血管セグメンテーションのための2段階フレームワークである VesselSim を提案する。 3D U-Netは、合成データのみに基づいて訓練され、16,500の解剖学的に妥当な3D血管造影ボリュームを生成する。 VesselSimは最先端のセグメンテーション基盤モデルと競合するパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-05-25T19:04:18Z)
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)
Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
論文参考訳（メタデータ） (2026-01-30T17:16:17Z)
GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
論文参考訳（メタデータ） (2025-08-05T12:26:36Z)
Medical Semantic Segmentation with Diffusion Pretrain [1.9415817267757087]
近年のディープラーニングの進歩は、多くのコンピュータビジョンタスクの成功にロバストな特徴表現の学習が不可欠であることを示している。本稿では,3次元医用画像データの複雑化に合わせて,解剖学的ガイダンスを持つ拡散モデルを用いた新しい事前学習戦略を提案する。拡散過程において3次元の普遍的な身体部分座標を予測しガイダンスを与えるモデルを用いる。
論文参考訳（メタデータ） (2025-01-31T16:25:49Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文参考訳（メタデータ） (2021-10-14T23:05:47Z)
Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文参考訳（メタデータ） (2021-07-31T16:06:50Z)
Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
論文参考訳（メタデータ） (2020-12-02T19:42:18Z)
CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging [90.78899127463445]
カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
論文参考訳（メタデータ） (2020-10-15T03:06:37Z)

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。