Fugu-MT 論文翻訳(概要): Anatomy-Aware Promptable Segmentation with Online Interactive Training for AUTOPET V

論文の概要: Anatomy-Aware Promptable Segmentation with Online Interactive Training for AUTOPET V

arxiv url: http://arxiv.org/abs/2608.28461v1
Date: Fri, 28 Aug 2026 15:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.386235
Title: Anatomy-Aware Promptable Segmentation with Online Interactive Training for AUTOPET V
Title（参考訳）: ATOPET Vのためのオンラインインタラクティブトレーニングによる解剖学的対応型プロンプタブルセグメンテーション
Abstract要約: FDGおよびPSMA PET/CTにおける全身病変分節の解剖学的検討を行った。提案手法は nnU-Net-based model のファミリとして構築され, 強い初期セグメンテーションを生成する事前学習段階と, スクリブルプロンプトの活用を学習するオンライン対話段階の2段階で訓練されている。
参考スコア（独自算出の注目度）: 7.780663270921085
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present an anatomy-aware, promptable model for whole-body lesion segmentation in FDG and PSMA PET/CT, developed for the AUTOPET V challenge. The proposed method is built as family of nnU-Net-based models and trained in two stages: i) a pre-training stage that produces a strong initial segmentation, and ii) an online interactive stage that learns to exploit scribble prompts, refining the prediction over successive interactions. Anatomical context is incorporated through organ supervision using a single shared head that predicts lesions and organs from the same features, which reduces false positives arising from physiological uptake. Also as the tracer (i.e., FDG/PSMA) is not provided at inference, we add a tracer classifier based on image processing and a random forest over coronal MIP features, routing each study to a combined FDG+PSMA model or to a PSMA-specific model. Across four-fold cross-validation the organ-supervised model achieves the best and most stable performance, the interactive stage improves the Dice score monotonically with each prompt, and PSMA-specific training yields the strongest tracer-wise results.
Abstract（参考訳）: AUTOPET V チャレンジのために開発された FDG および PSMA PET/CT における全身病変の分類のための解剖学的,即時的モデルを提案する。提案手法は nnU-Net-based model のファミリとして構築され,2段階の訓練を行った。一強い初期セグメンテーションを生ずる事前訓練段階二連続した相互作用の予測を精査し、スクリブルプロンプトを活用することを学ぶオンラインインタラクティブステージ。解剖学的文脈は、同じ特徴から病変や臓器を予測する単一の共有ヘッドを使用して、臓器の監督によって組み込まれ、生理的摂取による偽陽性を減少させる。また、トレーサ(FDG/PSMA)が推論時に提供されないため、画像処理に基づくトレーサ分類器と、コロナMIP特徴に対するランダムフォレストを追加し、各研究をFDG+PSMAモデルまたはPSMA固有のモデルにルーティングする。オルガン教師付きモデルの4倍のクロスバリデーションは、最高かつ最も安定したパフォーマンスを達成し、対話的なステージは各プロンプトでDiceスコアを単調に改善し、PSMA固有のトレーニングは、最もトレーサワイズな結果を得る。

関連論文リスト

Pretrained, Curriculum-Tuned, and Ensembled: A Tracer-Aware Interactive Segmentation Pipeline for AutoPET V [14.33657441650138]
本稿では,対話型解剖ガイド法によるTRIAGE,Tracer-aware Refinementを提案する。本稿では,対話型解剖ガイド法によるTRIAGE,Tracer-aware Refinementを提案する。
論文参考訳（メタデータ） (2026-08-31T14:13:09Z)
An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation [9.922425508121012]
4つの公開データセットから4,997個のハーモナイズドスキャンを用いて,オープンソース,マルチセンター,全体FDG PET/CTファンデーションモデルを提案する。我々のフレームワークは、初期のチャネルワイド結合を伴う階層的なUNet型のバックボーンを用いており、解剖学的および代謝学的特徴の相互作用を可能にしている。オートマチック・オンコロジー・イメージングの進歩のための、堅牢でオープンソースの基盤を提供する。
論文参考訳（メタデータ） (2026-05-20T23:59:50Z)
MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2026-02-03T09:47:49Z)
Machine Learning-Based Prediction of Speech Arrest During Direct Cortical Stimulation Mapping [2.060123990983555]
音声タスクを施行した16名を対象に頭蓋内脳波(ECoG)データを解析した。我々は、各ECoGの下の脳領域が重要かどうかを直接予測する機械学習モデルを開発した。
論文参考訳（メタデータ） (2025-09-10T15:53:08Z)
UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
論文参考訳（メタデータ） (2025-07-24T12:33:10Z)
PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
Developing a PET/CT Foundation Model for Cross-Modal Anatomical and Functional Imaging [39.59895695500171]
FratMAE(Cross-Fraternal Twin Masked Autoencoder)は,全身解剖学的および機能的情報を効果的に統合する新しいフレームワークである。 FratMAEは複雑なクロスモーダル関係とグローバルな取り込みパターンをキャプチャし、下流タスクにおいて優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-03-04T17:49:07Z)
Automated Lesion Segmentation in Whole-Body PET/CT in a multitracer setting [2.4549652987344546]
本研究は,マルチトラックPET画像の自動セグメンテーションワークフローの性能を評価することに焦点を当てた。これらの知見は、診断や患者固有の治療計画の強化に重要な洞察を与えるものと期待されている。
論文参考訳（メタデータ） (2024-09-15T15:32:29Z)
PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文参考訳（メタデータ） (2024-09-08T15:02:25Z)
Self-Supervised Pre-Training of Swin Transformers for 3D Medical Image Analysis [7.214195462426705]
医用画像解析のためのプロキシタスクを調整した,新たな自己教師型学習フレームワークを提案する。 5,050個のCT画像に対して,提案手法の事前学習を成功させた。私たちのモデルは現在、MSDとBTCV両方のデータセットの公開テストリーダーボードで最先端(すなわち第1位)です。
論文参考訳（メタデータ） (2021-11-29T18:45:20Z)
Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-30T13:41:12Z)
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)

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。