論文の概要: Latent-to-Latent Flow for Volumetric Stochastic Segmentation

• arxiv url: http://arxiv.org/abs/2609.07460v1
• Date: Mon, 07 Sep 2026 13:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.429371
• Title: Latent-to-Latent Flow for Volumetric Stochastic Segmentation
• Title（参考訳）: 体積確率セグメンテーションにおける潜時-潜時流
• Abstract要約: フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 本稿では,画像とラベル空間のエンコード表現による医療ボリュームの分節化のための潜時-潜時フロー手法を提案する。
• 参考スコア（独自算出の注目度）: 42.44847226668341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty arising from inter-observer variability in medical image segmentation plays an important role in developing treatment plans. Research in this area is inhibited by the lack of multiple annotations for large-scale medical datasets, especially for volumetric data, which suffers from additional scaling and computational complexity challenges. Flow matching has emerged as a powerful framework for generative modelling and has also been demonstrated to maintain strong performance when working with latent representations of images. In this work, we introduce a latent-to-latent flow technique for stochastic segmentation of medical volumes via encoded representations of both the image and label space. We evaluate our method on two challenging applications covering delineation uncertainty for radiotherapy planning and multiple organ structure segmentation, improving efficiency up to 14x compared with full resolution models while maintaining clinically relevant performance.
• Abstract（参考訳）: 医用画像分割におけるサーバ間変動から生じる不確実性は,治療計画の策定において重要な役割を担っている。 この領域の研究は、大規模医療データセット、特にボリュームデータに対する複数のアノテーションの欠如によって妨げられている。 フローマッチングは、生成モデリングの強力なフレームワークとして現れており、画像の潜在表現を扱う際にも、強力なパフォーマンスを維持することが実証されている。 本研究では,画像とラベル空間の両方を符号化した表現を用いて,医用ボリュームの確率的セグメンテーションのための潜時-潜時フロー手法を提案する。 本手法は,放射線治療計画と多臓器構造セグメンテーションのデライン化の不確実性を考慮した2つの課題について検討し,臨床的に関連性のある性能を維持しつつ,フル解像度モデルと比較して14倍の効率向上を図った。

関連論文リスト

• Med-DisSeg: Dispersion-Driven Representation Learning for Fine-Grained Medical Image Segmentation [3.182068203318624]
  分散駆動型医用画像分割フレームワークであるMed DisSegを提案する。 Med DisSegは、軽量のDispersive Lossと、微粒な構造セグメンテーションのための適応的な注意を組み合わせる。 我々は,Med DisSegが多臓器CTのセグメンテーションにおいて,その堅牢性とクロスタスク適用性をサポートして競合的な結果を得ることを示す。
  論文  参考訳（メタデータ） (2026-05-14T08:49:36Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation [2.608565452856053]
  医用画像の高品質なピクセルレベルのアノテーションは、教師付きセグメンテーションタスクに不可欠である。 粗いレベルのアノテーションに完全に依存する新しい粗いセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T19:14:30Z)
• InceptionMamba: Efficient Multi-Stage Feature Enhancement with Selective State Space Model for Microscopic Medical Image Segmentation [15.666926528144202]
  InceptionMambaという,多段階のリッチな機能をエンコードするセグメンテーションタスクのための効率的なフレームワークを提案する。 我々は,低周波領域と高周波領域の両方を捕捉し,多段特徴を豊かにするためにセマンティック・キューを利用する。 本モデルでは,2つの挑戦的微視的セグメンテーションデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-13T20:25:12Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• IMPACT: A Generic Semantic Loss for Multimodal Medical Image Registration [0.46904601975060667]
  IMPACT (Image Metric with Pretrained Model-Agnostic Comparison for Transmodality registration) は、マルチモーダル画像登録のための新しい類似度尺度である。 大規模事前訓練セグメンテーションモデルから抽出した深い特徴の比較に基づいて意味的類似度尺度を定義する。 胸椎CT/CBCTおよび骨盤MR/CTデータセットを含む5つの難易度3次元登録課題について検討した。
  論文  参考訳（メタデータ） (2025-03-31T14:08:21Z)
• CO2Wounds-V2: Extended Chronic Wounds Dataset From Leprosy Patients [57.31670527557228]
  本稿では,レプロシー患者のRGB創傷画像の拡張コレクションであるCO2Wounds-V2データセットについて紹介する。 医療分野における画像処理アルゴリズムの開発とテストを強化することを目的としている。
  論文  参考訳（メタデータ） (2024-08-20T13:21:57Z)
• 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)
• 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。