論文の概要: BS: Take the Hint - Interactive Multitracer PET/CT Lesion Segmentation with a Scribble-Conditioned ResEnc U-Net
- arxiv url: http://arxiv.org/abs/2609.01554v1
- Date: Tue, 01 Sep 2026 17:19:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.891265
- Title: BS: Take the Hint - Interactive Multitracer PET/CT Lesion Segmentation with a Scribble-Conditioned ResEnc U-Net
- Title（参考訳）: BS:Scribble-Conditioned ResEnc U-Netを用いたHint-Interactive Multitracer PET/CT病変分割
- Authors: Marven Sherif, Amgad Elmasry, Youssef Ghazal, Ayman Elghotni,
- Abstract要約: オートPET/CT Vチャレンジは、画像と一緒にユーザのスクリブルを供給することによってセグメンテーションをインタラクティブにする。
提案する提案は,CT,PET,スパーススクリブルマップの4つの入力チャネル上で動作するスクリブル条件付残エンコーダU-Netである。
約85%の利得は最初のスクリブルに続いており、折り畳みモデル間の広がりは同じラウンドで5倍に狭まる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated lesion segmentation in whole-body PET/CT is complicated by the variety of physiological tracer uptake patterns and by the differing appearance of lesions across tracers. The autoPET/CT V challenge addresses this by making segmentation interactive: user scribbles marking foreground and background are supplied alongside the image, and the algorithm is expected to exploit them. We present our submission, a scribble-conditioned residual encoder U-Net operating on four input channels: CT, PET, and a sparse scribble map for each of foreground and background. The network is initialised from the autoPET-III winning weights and extended from two to four input channels, with the two scribble channels zero-initialised so that the pretrained representation is preserved exactly at initialisation. Every model is fine-tuned per fold from the corresponding autoPET-III fold checkpoint, so that no validation case is seen during pretraining. PET intensities are normalised against a per-scan aorta blood-pool reference derived from a CT segmentation, which removes tracer- and centre-specific scaling without requiring lesion labels. At inference the five fold models are ensembled by averaging their softmax outputs per sliding-window patch, before Gaussian-weighted stitching. On the challenge's five-fold split, with each fold evaluated on its own validation cases, mean Dice is 0.554 and mean lesion-level F1 is 0.528 without scribbles, rising to 0.751 and 0.733 after five correction rounds. About 85% of that gain follows the first scribble, and the spread between fold models narrows five-fold over the same rounds, so interaction largely compensates for how well or badly a given model segments unaided.
- Abstract（参考訳）: 全身PET/CTにおける病変部分の自動抽出は, 生理的トレーサー取り込みパターンの多様性と, トレーサー間の病変の出現の相違により複雑になる。
オートPET/CT Vの課題は、セグメンテーションをインタラクティブにすることで、この問題に対処する。
提案する提案は,CT,PET,スパーススクリブルマップの4つの入力チャネル上で動作するスクリブル条件付残エンコーダU-Netである。
ネットワークはオートPET-IIIの勝利重みから初期化され、2から4つの入力チャネルから拡張され、2つのスクリブルチャネルはゼロ初期化され、事前訓練された表現が初期化時に正確に保存される。
各モデルは、対応するオートPET-IIIの折りたたみチェックポイントから折りたたみごとに微調整されるため、事前トレーニング中に検証ケースが見つからない。
PET強度はCTセグメンテーションから誘導されるスキャンごとの大動脈血液プール基準に対して正常化され、病変のラベルを必要とせずにトレーサーやセンター固有のスケーリングを除去する。
推測すると、5つの折りたたみモデルは、ガウス重み付き縫合の前に、スライドウインドウパッチ当たりのソフトマックス出力を平均化することによってアンサンブルされる。
チャレンジの5倍の分割では、それぞれの折り畳みがそれぞれの検証ケースで評価され、Diceの平均は0.554、平均病変レベルF1は0.528であり、スクリブルなしで、5回の補正ラウンドで0.751、0.733まで上昇する。
約85%の利得は最初のスクリブルに続いており、折り畳みモデル間の拡散は同じラウンドで5倍の幅を狭めている。
関連論文リスト
- Three-Phase Scribble-Adaptive Curriculum Learning for autoPETV Grand Challenge [10.166657737458275]
本報告では,全身PET/CTにおける対話的病変分割に対するLibo Zhangの自己PETVグランドチャレンジに対するアルゴリズム的解法について述べる。
約1億4000万のパラメータからなる残エンコーダU-Netは、4000エポック以上の3段階のカリキュラムで訓練される。
6つの相互作用ステップによる5倍のクロスバリデーションでは、最終チェックポイントの平均AUC-Diceは3.836、平均AUC-DMMは3.869に達する。
論文 参考訳（メタデータ） (2026-08-22T20:21:16Z) - 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 Real-Time Autonomous Navigation: Transformer-Based Catheter Tip Tracking in Fluoroscopy [35.565354067805835]
本研究の目的は, 実時間カテーテル先端追跡パイプラインの開発と評価である。
U-Net、U-Net+Transformer、SegFormerなどのディープラーニングセグメンテーションモデルをトレーニングし、ベンチマークした。
2級のSegFormerは平均絶対誤差4.44mm、U-Net(4.60mm)、U-Net+Transformer(6.20mm)、および3級モデル(5.19-7.74mm)を上回った。
論文 参考訳（メタデータ） (2026-05-14T01:42:56Z) - The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。
全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。
トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
論文 参考訳（メタデータ） (2026-05-07T07:07:09Z) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - AutoPET Challenge III: Testing the Robustness of Generalized Dice Focal Loss trained 3D Residual UNet for FDG and PSMA Lesion Segmentation from Whole-Body PET/CT Images [0.0]
本研究では,3次元残差UNetモデルを用いて,汎用Dice Loss関数を用いてAutoPET Challenge 2024データセット上でモデルをトレーニングする。
Task-1の予備試験段階では、平均アンサンブルは平均Dice similarity Coefficient(DSC)が0.6687、平均偽陰体積(FNV)が10.9522ml、平均偽正体積(FPV)が2.9684mlに達した。
論文 参考訳（メタデータ） (2024-09-16T10:27:30Z) - Generalized Dice Focal Loss trained 3D Residual UNet for Automated
Lesion Segmentation in Whole-Body FDG PET/CT Images [0.4630436098920747]
我々は,AutoPETチャレンジ2023のトレーニングデータセット上で,一般化Dice Focal Loss関数を用いて3次元残留UNetをトレーニングする。
予備試験段階では、平均アンサンブルは、それぞれ0.5417、0.8261ml、0.2538mlのDice類似係数(DSC)、偽陽性体積(FPV)、偽負体積(FNV)を達成した。
論文 参考訳（メタデータ） (2023-09-24T05:29:45Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Segmentation and Risk Score Prediction of Head and Neck Cancers in
PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks [0.4433315630787158]
PET/CT画像から腫瘍の分節化を行うために3D nnU-Netモデルを用いて残層を圧縮・励起法(SE法)により補足した。
セグメンテッド病変から抽出したPET/CT放射能の特徴について, 危険リスク予測モデル (CoxCC) を訓練した。
10倍のクロスバリデードCoxCCモデルにより、HECKTORチャレンジテストデータセットにおいて、c-indexバリデーションスコアが0.89、c-indexスコアが0.61となった。
論文 参考訳（メタデータ） (2022-02-16T01:59:33Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z)
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。