論文の概要: Unsupervised Adaptation of 3D CT Foundation Models for 3D CBCT Segmentation

• arxiv url: http://arxiv.org/abs/2608.27190v1
• Date: Thu, 27 Aug 2026 14:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.449601
• Title: Unsupervised Adaptation of 3D CT Foundation Models for 3D CBCT Segmentation
• Title（参考訳）: 3次元CBCTセグメンテーションのための3次元CT基礎モデルの教師なし適応
• Abstract要約: 3次元CBCTセグメンテーションのための新しいunsupervised domain adapt(UDA)フレームワークを提案する。 我々のフレームワークはアーキテクチャに依存しず、CNNベースの基盤モデルとViTベースの基盤モデルの両方をシームレスに適応します。 本手法はCT-CBCT肝セグメンテーションベンチマークを用いて検討した。
• 参考スコア（独自算出の注目度）: 2.784896870211286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate 3D segmentation of cone-beam CT (CBCT) is critical for interventional and radiation therapy applications, yet it remains limited by two compounding challenges: the scarcity of annotated CBCT data and the large domain shift from diagnostic CT. Interventional CBCT exhibits fundamental modality differences from conventional CT, driven by acquisition and physics effects as well as contrast-specific vascular content, thereby limiting effective cross-modality model transfer. We propose a novel unsupervised domain adaptation (UDA) framework based on redundancy-reducing feature alignment, enabling 3D CBCT segmentation with no target-domain annotations or inference-time adaptation. Our framework is architecture-agnostic, seamlessly adapting both CNN-based and ViT-based foundation models. We evaluate our method on two challenging CT-CBCT liver segmentation benchmarks: one for interventional vascular procedures and one for radiation therapy, demonstrating that even large-scale pretrained segmentation networks require explicit feature-space bridging to generalize across acquisition modalities, and that our approach consistently outperforms existing pretrained foundation model and UDA strategies. To support reproducibility and benchmarking, we release the liver segmentations for a public CBCT dataset, along with the code, trained models, and weights.
• Abstract（参考訳）: コーンビームCT(CBCT)の正確な3次元セグメンテーションは、介入療法と放射線療法の応用において重要であるが、注記CBCTデータの不足と診断CTからの大きな領域シフトの2つの複合的課題によって制限されている。 インターベンショナルCBCTは, 従来のCTと基本モダリティの差異を示し, 獲得効果と物理効果, コントラスト特異的血管内含量により, 有効モダリティモデル移行を制限する。 本稿では,冗長性低減機能アライメントに基づく新しいunsupervised domain adapt(UDA)フレームワークを提案し,ターゲットドメインアノテーションや推論時適応を伴わない3次元CBCTセグメンテーションを実現する。 我々のフレームワークはアーキテクチャに依存しず、CNNベースの基盤モデルとViTベースの基盤モデルの両方をシームレスに適応します。 本手法をCT-CBCT肝セグメンテーションベンチマークで評価し, 介入血管手術用と放射線治療用, 大規模トレーニング済みセグメンテーションネットワークにおいても, 獲得モダリティをまたいだ明示的な特徴空間ブリッジングが必要であり, 既存のトレーニング済みファンデーションモデルとUDA戦略を一貫して上回っていることを示した。 再現性とベンチマークをサポートするため,公開CBCTデータセットの肝臓セグメンテーションをコード,トレーニングされたモデル,ウェイトとともにリリースする。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Unsupervised Domain Adaptation with Target-Only Margin Disparity Discrepancy [3.2097144717773283]
  Cone-Beam Computed Tomography (CBCT) は、最小侵襲の手術における実践者へのガイダンスを提供する画像モダリティとして有用である。 CBCTは従来のCTと異なり, 限られた再生視野, 特定の工芸品, 造影剤の動脈内投与が特徴である。 CTは、広く公開されている注釈付きデータセットの恩恵を受けているが、介入CBCTデータはほとんどなく、ほとんど注釈のないままである。
  論文  参考訳（メタデータ） (2026-03-10T17:27:43Z)
• Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans [0.0]
  3次元胸部CTスキャンのマルチラベル分類は依然として重要な課題である。 3次元畳み込みニューラルネットワークに基づく既存の手法は、長距離依存を捉えるのに苦労する。 本稿では3次元CTボリュームを構造化グラフとして表現するグラフベースの新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-12T19:49:51Z)
• Human-Guided Shade Artifact Suppression in CBCT-to-MDCT Translation via Schrödinger Bridge with Conditional Diffusion [1.5869861104370917]
  我々はSchrodinger Bridge (SB) の定式化を基礎としたCBCT-to-MDCT翻訳のための新しいフレームワークを提案する。 提案手法はCBCT入力と疑似ターゲットの境界の整合性を明示し,解剖学的忠実度と知覚的制御性の両方を保証する。
  論文  参考訳（メタデータ） (2025-07-15T06:44:53Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based Data Augmentation [4.5846054721257365]
  我々は,CT(pCT)とCBCT(cone-beam CT)の計画における食道の分節化のための意味物理学に基づくデータ拡張法を開発した。 191例のpCTおよびCBCTを用いて,食道などの軟部臓器に特異的に設計された多目的損失機能を有する3D-Unetアーキテクチャを訓練した。 我々の物理に基づくデータ拡張は、患者のCBCT/pCTデータにまたがる現実的なノイズ/アーティファクトスペクトルにまたがるものであり、治療のセットアップと反応分析の精度を向上する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-06-28T21:12:09Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。