論文の概要: Pretrained, Curriculum-Tuned, and Ensembled: A Tracer-Aware Interactive Segmentation Pipeline for AutoPET V

• arxiv url: http://arxiv.org/abs/2608.30844v1
• Date: Mon, 31 Aug 2026 14:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.43755
• Title: Pretrained, Curriculum-Tuned, and Ensembled: A Tracer-Aware Interactive Segmentation Pipeline for AutoPET V
• Title（参考訳）: 事前訓練, カリキュラム調整, アンサンブル: AutoPET V 用トレーサ対応インタラクティブセグメンテーションパイプライン
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.33657441650138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive lesion segmentation in whole-body PET/CT requires a model to provide a strong initial prediction while also responding efficiently to sparse corrective scribbles during inference. This setting is particularly challenging because tracer distributions, physiological uptake patterns, lesion appearance, and acquisition characteristics differ substantially between FDG and PSMA studies. We present TRIAGE, Tracer-aware Refinement via Interactive Anatomy-Guided sEgmentation. The core backbone is a 3D STU-Net initialized through masked autoencoding pre-training with an asynchronous masking strategy, aiming to learn transferable anatomical and cross-modal representations before task-specific fine-tuning. In parallel, we train an auxiliary organ segmentation model whose predictions provide explicit anatomical context and help distinguish physiological uptake from malignant lesions. A dedicated tracer classifier first routes each study to an FDG- or PSMA-specific branch. Within each branch, a first-stage segmentation model consumes CT, PET, and organ context to generate an initial lesion mask. The initial prediction is then combined with cumulative foreground/background scribbles and refined by a second interactive segmentation network. The FDG and PSMA branches share the same overall processing pipeline but are trained independently to account for tracer-specific appearance and error modes. We additionally employ curriculum-style training and model ensembling to improve robustness across interaction steps and heterogeneous cohorts. Experiments are conducted using the official AutoPET V data and ten-fold split; quantitative results, ablations, and final test-set performance are left as placeholders to be completed after the challenge evaluation. Code: https://github.com/Liiiii2101/AUTOPET2026-MEDAI.
• Abstract（参考訳）: 全身PET/CTにおける相互性病変のセグメンテーションは、推論中にスパース補正スクリブルに効率よく反応しながら、強い初期予測を提供するモデルを必要とする。 FDG法とPSMA法では, トレーサー分布, 生理的取り込みパターン, 病変の出現, 獲得特性が大きく異なるため, この設定は特に困難である。 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。 コアバックボーンは、3D STU-Netであり、タスク固有の微調整の前に、伝達可能な解剖学的および横断的な表現を学習することを目的とした、非同期マスキング戦略によるマスク付きオートエンコーディングによって初期化されている。 並行して, 解剖学的文脈が明確であり, 悪性病変と生理的取り込みを区別する補助臓器分節モデルを訓練する。 専用トレーサー分類器は、まず各研究をFDGまたはPSMA固有のブランチにルートする。 各ブランチ内では、第1段階のセグメンテーションモデルがCT、PET、臓器コンテキストを消費し、初期病変マスクを生成する。 最初の予測は累積フォアグラウンド/バックグラウンドのスクリブルと組み合わせ、第2の対話的セグメンテーションネットワークによって洗練される。 FDGとPSMAのブランチは同じ全体的な処理パイプラインを共有しているが、トレーサ固有の外観とエラーモードを考慮して独立に訓練されている。 さらに,カリキュラムスタイルのトレーニングとモデルアンサンブルを採用し,インタラクションステップや異種コホート間の堅牢性を向上させる。 実験はオフィシャルなAutoPET Vデータと10倍のスプリットを用いて行われ、定量的な結果、改善、最終テストセットのパフォーマンスは、課題評価後のプレースホルダーとして残される。 コード:https://github.com/Liiiii2101/AUTOPET2026-MEDAI

関連論文リスト

• Anatomy-Aware Promptable Segmentation with Online Interactive Training for AUTOPET V [7.780663270921085]
  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。
  論文  参考訳（メタデータ） (2026-08-28T15:49:58Z)
• 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)
• Towards Interactive Lesion Segmentation in Whole-Body PET/CT with Promptable Models [9.254535645473311]
  われわれはAutoPET/CT IVチャレンジに応募する。 我々は、ユーザが提供するフォアグラウンドとバックグラウンドクリックを追加入力チャネルとしてエンコードすることで、迅速な機能でフレームワークを拡張します。 外部データおよび非外部データでトレーニングされたEDTベースのモデルのアンサンブルは、最強のクロスバリデーション性能を達成する。
  論文  参考訳（メタデータ） (2025-08-29T14:49:58Z)
• 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)
• 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 Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
  医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:16:42Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。