論文の概要: LISynSeg: Data-Centric Label-to-Image Synthesis for Cross-Modality Whole-Heart Segmentation

• arxiv url: http://arxiv.org/abs/2608.31073v1
• Date: Mon, 31 Aug 2026 16:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.521999
• Title: LISynSeg: Data-Centric Label-to-Image Synthesis for Cross-Modality Whole-Heart Segmentation
• Title（参考訳）: LISynSeg: クロスモダリティ全ハードセグメンテーションのためのデータ中心ラベル画像合成
• Abstract要約: CT (Computed tomography) とMRI (MRI) におけるWHS (Whole-heart segmentation) は, 取得シフトや異種心アノテーションの影響を受けやすい。 セグメンテーションアーキテクチャを一定に保ちながら、データ拡張とトレーニングの監督の変更が相互モダリティWHSを改善するかどうかを検討する。 LISynSegは、実画像のnnU-Netトレーニングをラベルと画像の合成で強化するデータ中心のアプローチである。
• 参考スコア（独自算出の注目度）: 4.192358774348931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whole-heart segmentation (WHS) in computed tomography (CT) and magnetic resonance imaging (MRI) is affected by acquisition shifts and heterogeneous cardiac annotations. Existing WHS systems combine architectural design, transfer learning, and generic spatial or intensity augmentation. We investigate whether changes to data augmentation and training supervision can improve cross-modality WHS while the segmentation architecture is held constant. We present LISynSeg, a data-centric approach that augments real-image nnU-Net training with label-to-image synthesis. Synthetic volumes are generated from cardiac label maps using contrast and acquisition perturbations calibrated to the training cohort, then mixed with real images to retain thoracic context absent from the labels (and thus the synthesized images). We model cardiac label variation through controlled changes in myocardial wall thickness and partial supervision of uncertain vessel endpoints. On the CARE Whole-Heart benchmark, synthetic-only training performs worse than the real-image nnU-Net baseline, whereas calibrated real-synthetic training improves cross-modality segmentation without changing the architecture; the improvement is larger for MRI than for CT. The results show that modifying the training data strategy can benefit model development for heterogeneous cardiac data. Code and trained weights will be released at https://github.com/MedICL-VU/Care26_LISynSeg.
• Abstract（参考訳）: CT (Computed tomography) とMRI (MRI) におけるWHS (Whole-heart segmentation) は, 取得シフトや異種心アノテーションの影響を受けやすい。 既存のWHSシステムは、アーキテクチャ設計、トランスファーラーニング、ジェネリック空間または強度増強を組み合わせたものである。 セグメンテーションアーキテクチャを一定に保ちながら、データ拡張とトレーニングの監督の変更が相互モダリティWHSを改善するかどうかを検討する。 LISynSegは、実画像のnnU-Netトレーニングをラベルと画像の合成で強化するデータ中心のアプローチである。 トレーニングコホートに調整されたコントラストと取得摂動を用いて心臓ラベルマップから合成ボリュームを生成し、実際の画像と混合して、ラベルから欠落した胸部コンテキストを保持する(したがって合成画像)。 心筋壁厚の変化を制御し,不確実な血管結節の部分的管理を行うことにより,心臓ラベルの変動をモデル化した。 CARE Whole-Heartベンチマークでは、合成のみのトレーニングは実像のnnU-Netベースラインよりも悪いが、校正された実合成トレーニングはアーキテクチャを変更することなくモダリティのセグメンテーションを改善する。 その結果、トレーニングデータ戦略の変更は、不均一な心臓データに対するモデル開発に有用であることが示唆された。 コードとトレーニングされたウェイトはhttps://github.com/MedICL-VU/Care26_LISynSegでリリースされる。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• 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)
• Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
  心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。 既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。 学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-24T14:47:54Z)
• Cross Modality Medical Image Synthesis for Improving Liver Segmentation [1.7295922486064903]
  GAN(Generative Adversarial Networks)は、ペアのトレーニングデータなしで新しいクロスドメイン画像を生成するために使用できる。 腹部CTのクロスモーダル翻訳を用いた腹部MRIの2段階合成法を提案する。 肝セグメンテーションネットワークの性能向上に寄与することを示す。
  論文  参考訳（メタデータ） (2025-03-02T15:54:12Z)
• 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)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images [1.099532646524593]
  本稿では、完全自動で心筋梗塞の程度を計算できる畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。 心筋梗塞のセグメンテーションにおいて,我々の枠組みは最先端の基準法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-26T14:21:18Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation [47.428577772279176]
  本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。 実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。 提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
  論文  参考訳（メタデータ） (2021-09-18T11:13:45Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• On the effectiveness of GAN generated cardiac MRIs for segmentation [12.59275199633534]
  本稿では,心形態の潜在表現を学習するための変分オートエンコーダ(VAE)を提案する。 一方、GANは、与えられた解剖学的マップに適した現実的なMR画像を生成するために、"SPatially-Adaptive (DE)Normalization"モジュールを使用する。 合成アノテート画像を用いて訓練したCNNのセグメンテーションは,従来の手法と比較して競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-18T18:48:38Z)
• SynthMorph: learning contrast-invariant registration without acquired images [8.0963891430422]
  画像データを取得せずに画像登録を学習するための戦略を導入する。 この戦略は任意のMRIコントラストの堅牢かつ正確な登録を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T20:29:39Z)

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。