論文の概要: ARCOS: Zero-shot Boundary Localization for Corneal Layer Segmentation Across Optical Coherence Tomography Devices

• arxiv url: http://arxiv.org/abs/2609.03668v1
• Date: Thu, 03 Sep 2026 11:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.027982
• Title: ARCOS: Zero-shot Boundary Localization for Corneal Layer Segmentation Across Optical Coherence Tomography Devices
• Title（参考訳）: ARCOS:光コヒーレンス・トモグラフィー装置における角膜層分割のためのゼロショット境界位置決め
• Abstract要約: ARCOSは、OCT画像における角膜層セグメンテーションのためのパッチベースのゼロショット境界ローカライズフレームワークである。 パッチレベルの予測は全Bスキャンにわたって縫合され、境界に変換され、連続的、解剖学的に順序付けられた層セグメンテーションが得られる。 提案手法は,一致デバイステストセットにおいて,オフ・バイ・ワン境界局所化精度95.1%,絶対絶対境界誤差0.514ピクセルを達成した。
• 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: Accurate segmentation of corneal layers in optical coherence tomography (OCT) is essential for quantitative assessment of corneal morphology, including layer thickness and structural changes associated with disease or surgery. However, automatic segmentation remains challenging because corneal interfaces are thin, affected by speckle noise, and variable across acquisition devices. In this work, we propose ARCOS, a patch-based zero-shot boundary localization framework for corneal layer segmentation in clinical anterior-segment OCT images. Rather than performing conventional region classification, the method predicts boundary heatmaps for the main corneal interfaces from overlapping native-resolution patches. Patch-level predictions are stitched across the full B-scan and converted into boundary locations to obtain continuous, anatomically ordered layer segmentations. The network combines multi-scale feature fusion with a self-conditioned refinement module that uses intermediate boundary information to improve local heatmap predictions while preserving spatial detail. The method was evaluated on clinical OCT images acquired from multiple devices and compared with representative segmentation baselines using boundary localization and derived thickness metrics. The proposed method achieved an off-by-one boundary localization accuracy of 95.1% and a mean absolute boundary error of 0.514 pixels on the matched-device test set. In zero-shot cross-device evaluation, it maintained an average off-by-one accuracy of 84.3% and a mean absolute boundary error of 0.855 pixels across unseen acquisition devices, outperforming the baseline models. Thickness estimates derived from the predicted boundaries showed low error across corneal regions, supporting the method's use for quantitative corneal OCT analysis.
• Abstract（参考訳）: 光コヒーレンストモグラフィー(OCT)における角膜層の正確なセグメンテーションは、層厚や疾患や手術に伴う構造変化を含む角膜形態の定量的評価に不可欠である。 しかし、角膜界面が薄く、スペックルノイズの影響を受け、取得装置間で変動するため、自動セグメンテーションは依然として困難である。 本研究は,臨床前部CT画像における角膜層セグメンテーションのためのパッチベースのゼロショット境界位置決めフレームワークARCOSを提案する。 本手法は,従来の領域分類ではなく,ネイティブ解像度パッチの重複から主角膜界面の境界熱マップを推定する。 パッチレベルの予測は全Bスキャンにわたって縫合され、境界に変換され、連続的、解剖学的に順序付けられた層セグメンテーションが得られる。 このネットワークは、マルチスケールの特徴融合と、中間境界情報を用いて空間的詳細を保存しながら局所的な熱マップ予測を改善するセルフコンディショニング・リファインメント・モジュールを組み合わせる。 本手法は,複数のデバイスから取得した臨床用OCT画像を用いて評価し,境界局在化と導出厚測定値を用いた代表セグメンテーションベースラインと比較した。 提案手法は,一致デバイステストセットにおいて,オフ・バイ・ワン境界局所化精度95.1%,絶対絶対境界誤差0.514ピクセルを達成した。 ゼロショットクロスデバイス評価では、平均オフ・バイ・ワンの精度は84.3%、絶対境界誤差は0.855ピクセルであり、ベースラインモデルを上回った。 予測境界値から得られた厚さ推定値から,角膜領域間での誤差が低く,角膜CTの定量的解析に有効であった。

関連論文リスト

• Spatial Normalization for Cross-Domain Retinal Layer Segmentation in Optical Coherence Tomography [0.4497001527881303]
  我々はOCTボリュームを共通の解剖学的基準に整合させるFovea中心の正規化フレームワークを導入する。 分割品質を総合的に評価するために,従来のBスキャンレベルでのオーバーラップベース指標とAスキャンレベルでのトポロジ対応指標と,顔レベルでの厚みベース指標を組み合わせた。
  論文  参考訳（メタデータ） (2026-07-17T15:47:18Z)
• ARIADNE: A Perception-Reasoning Synergy Framework for Trustworthy Coronary Angiography Analysis [11.092207850601488]
  ARIADNEは2段階のフレームワークを結合し,RLに基づく狭窄検出のための診断的推論を行う。 1,400の臨床血管造影では、ARIADNEは最先端のセンターラインDice 0.838を達成し、幾何学的ベースラインと比較して偽陽性を41%減少させる。
  論文  参考訳（メタデータ） (2026-03-19T17:25:19Z)
• Edge Detection for Organ Boundaries via Top Down Refinement and SubPixel Upsampling [0.0]
  深層畳み込みネットワーク(ConvNets)は、自然画像上のほぼ人間に近い性能に高度な汎用エッジ検出を行う。 それらの出力は、医学的応用において特に有害な、正確な局所化を欠くことが多い。 医用画像に新しいトップダウン・バックワード・リファインメント・アーキテクチャを適用した医療用クリップエッジ検出器を提案する。
  論文  参考訳（メタデータ） (2025-08-09T03:28:12Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Automatic Segmentation of the Optic Nerve Head Region in Optical Coherence Tomography: A Methodological Review [4.777796444711511]
  視神経頭は、視神経(ONH)の眼内部分を表す。 光コヒーレンストモグラフィーの出現により、新しい視神経頭部パラメータの評価が可能となった。 ディープラーニングに基づくアルゴリズムは、ONHの異なる構造を分割する上で、最高の精度、感度、特異性を提供する。
  論文  参考訳（メタデータ） (2021-09-06T09:45:57Z)
• A Systematic Approach for MRI Brain Tumor Localization, and Segmentation using Deep Learning and Active Contouring [0.0]
  腫瘍境界のアノテーションとセグメンテーションのための3倍のディープラーニングアーキテクチャを提案する。 Chan-Vesesegmentationアルゴリズムを用いて, セグメンテーションプロセスの腫瘍境界を検出する。 グリオーマと髄膜腫のセグメンテーションにおける提案アーキテクチャの全体的な性能は平均的なサイススコア0.92である。
  論文  参考訳（メタデータ） (2021-02-06T07:53:02Z)
• AGE Challenge: Angle Closure Glaucoma Evaluation in Anterior Segment Optical Coherence Tomography [61.405005501608706]
  アングル閉鎖緑内障(ACG)は開角緑内障よりも攻撃的な疾患である。 前部セグメント光コヒーレンス・トモグラフィー(AS-OCT)は、開角度から角度閉鎖を識別する高速で接触のない方法を提供する。 既存のメソッドを均一に評価するためのパブリックなAS-OCTデータセットは存在しない。 私たちは,MICCAI 2019と共同で開催したAngle closure Glaucoma Evaluation Challenge (AGE)を組織した。
  論文  参考訳（メタデータ） (2020-05-05T14:55:01Z)

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。