論文の概要: CalcSeg: Confidence-aware 3D Latent Context Curriculum Learning For Myocardial Scar Segmentation From Single-Stack LGE-CMRs

• arxiv url: http://arxiv.org/abs/2608.20305v1
• Date: Thu, 20 Aug 2026 17:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.662284
• Title: CalcSeg: Confidence-aware 3D Latent Context Curriculum Learning For Myocardial Scar Segmentation From Single-Stack LGE-CMRs
• Title（参考訳）: CalcSeg: シングルスタックLGE-CMRによる心筋スカーセグメンテーションのための信頼性を意識した3次元潜在コンテキスト学習
• Abstract要約: CalcSegは、堅牢なスカーセグメンテーションのための信頼性を意識した潜在コンテキスト学習フレームワークである。 本研究では,スライス間の依存関係を捕捉し,スパース2次元入力から3次元空間表現を推定する潜在スライス・ワイズ・セルフアテンションを開発する。 マルチセンター臨床用LGE-CMRデータセットを用いてCalcSegを評価し,既存のスカーセグメンテーションネットワークに対するベンチマークを行った。
• 参考スコア（独自算出の注目度）: 2.601784159452986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Myocardial scar segmentation from single-stack late gadolinium-enhanced cardiac magnetic resonance (LGE-CMR) imaging has been a longstanding and clinically important challenge, particularly in the presence of low tissue contrast, diffuse, and small scar regions. These challenges are further intensified by the limited availability of 3D spatial context. This paper presents CalcSeg, a Confidence-aware latent context curriculum learning framework that leverages fused 3D feature representations from single-stack 2D LGE-CMR images for robust scar segmentation. Specifically, we introduce a dynamic semi-supervised curriculum learning strategy that progressively expands training from easier to more challenging scar cases using a learned confidence-aware scoring function. Such a function integrates errors in the predicted scar maps with quantified epistemic uncertainty and scar burden estimation to automatically assess sample difficulty without requiring manual labels. To compensate for the limited spatial context in single-stack acquisitions, we then develop a latent slice-wise self-attention to capture inter-slice dependencies and infer 3D spatial representations from sparse 2D inputs. We evaluate CalcSeg on multi-center clinical LGE-CMR datasets and benchmark against existing scar segmentation networks. Experimental results show that CalcSeg consistently outperforms all competing methods, particularly with substantial improvements on clinically challenging cases. Our code is released on Github.
• Abstract（参考訳）: LGE-CMRによる心筋シンセグメンテーションは,低組織コントラスト,びまん性および小病変領域の存在下で,長年にわたり,臨床的に重要な課題となっている。 これらの課題は、3次元空間コンテキストの限られた可用性によってさらに強化される。 本稿では,単一スタック2D LGE-CMR画像から融合した3次元特徴表現を有効活用し,頑健なスカーセグメンテーションを実現する,信頼を意識した潜在文脈学習フレームワークであるCalcSegを提案する。 具体的には、学習された信頼度を意識したスコアリング機能を用いて、訓練をより容易からより困難に拡張する動的半教師付きカリキュラム学習戦略を導入する。 このような関数は、予測された傷痕マップの誤差と、定量化されたてんかんの不確かさと不足重み推定とを統合し、手動ラベルを必要とせずに自動的にサンプルの難易度を評価する。 単一スタック取得における空間コンテキストの制限を補うため,スライス単位の自己アテンションを潜時的に構築し,スプリス2次元入力からスライス間の依存関係を捕捉し,空間表現を推測する。 マルチセンター臨床用LGE-CMRデータセットを用いてCalcSegを評価し,既存のスカーセグメンテーションネットワークに対するベンチマークを行った。 実験結果から、CalcSegは競合する全ての方法、特に臨床的に困難である症例の大幅な改善を一貫して上回っていることが明らかとなった。 私たちのコードはGithubでリリースされています。

関連論文リスト

• Curriculum-Guided Myocardial Scar Segmentation for Ischemic and Non-ischemic Cardiomyopathy [3.773891970719576]
  本研究では,課題条件下でのセグメンテーション性能の向上を目的としたカリキュラムベースのフレームワークを提案する。 提案手法は, セグメンテーションの精度と整合性を高めることを示し, 特に, 極小または拡散傷の症例について検討した。
  論文  参考訳（メタデータ） (2026-03-30T15:22:00Z)
• Uncertainty-Aware Concept and Motion Segmentation for Semi-Supervised Angiography Videos [15.975499220724044]
  運動認識の一貫性とプログレッシブ・信頼の規則化を両立させたSAM3ベースの教師学習フレームワークを提案する。 提案手法は,SAM3の独特な即興的な概念セグメンテーション設計を利用して,SAM3をベースとした教師学習フレームワークを革新し,教師と生徒の双方のパフォーマンスを最大化する。
  論文  参考訳（メタデータ） (2026-03-01T03:04:43Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
  アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。 本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。 現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-24T14:56:55Z)
• CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
  CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-18T15:21:34Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。