論文の概要: BrainIAC: Interactive 3D Brain Lesion Segmentation across Heterogeneous MRI Modalities with Online Adaptation
- arxiv url: http://arxiv.org/abs/2609.23026v1
- Date: Sat, 19 Sep 2026 13:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.650644
- Title: BrainIAC: Interactive 3D Brain Lesion Segmentation across Heterogeneous MRI Modalities with Online Adaptation
- Title（参考訳）: BrainIAC: オンライン適応による異種MRIモダリティ間のインタラクティブな3次元脳病変分割
- Abstract要約: BrainIACは、複数の種類の脳病変をセグメント化するように訓練されたマルチモーダルバックボーンネットワークを統合する統合フレームワークである。
オンライン適応機構は、ネットワーク自身の予測によって制御される、ミッド・インタラクション適応とポスト・インタラクション適応を組み合わせたものである。
BrainIACは既存のアプローチを一貫して上回り、不均一な画像モダリティにまたがって一般化する。
- 参考スコア（独自算出の注目度）: 6.1873005261909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain lesion segmentation is a fundamental task in medical image analysis, playing a critical role in diagnosis, treatment planning, and longitudinal disease monitoring. Yet existing models still struggle to meet the demands of real clinical use, where deployments contain data distribution shifts, arising from differences in scanner hardware, imaging protocol (varying MRI modality sets), and new pathologies. We present BrainIAC (Brain lesion Interactive Adaptive Continuously learning segmentation), a unified framework that integrates (i) a multi-modal backbone network trained to segment multiple types of brain lesions and handle heterogeneous sets of modalities via zero-filling and random modality dropping; (ii) 3D interactive segmentation with bounding-box and click prompts that preserves fully automatic prediction when no prompt is given; and (iii) an online adaptation mechanism combining Mid-Interaction adaptation and Post-Interaction adaptation, supervised by the network's own predictions as pseudo labels and guided by an extra Click-Centered Gaussian loss. To our knowledge, this is one of the first 3D online adaptation methods for interactive segmentation, and the first to combine handling of heterogeneous modality sets with online adaptation. Experiments across seven brain MRI datasets demonstrate that the proposed components provide complementary and synergistic benefits. The method consistently outperforms existing approaches and generalizes well across heterogeneous imaging modalities, including those unseen during training, as well as previously unseen brain pathology types. The code and a 3D Slicer plug-in will be released at https://github.com/WenTXuL/BrainIAC upon publication.
- Abstract（参考訳）: 脳病変のセグメンテーションは、画像解析における基本的な課題であり、診断、治療計画、縦断的な疾患モニタリングにおいて重要な役割を担っている。
しかし、既存のモデルは実際の臨床利用の要求を満たすのに苦慮しており、デプロイメントには、スキャナハードウェアの違い、イメージングプロトコル(MRIのモダリティセットの異なる)、新しい病理など、データ配布のシフトが含まれる。
我々は統合されたフレームワークであるBrainIAC(Brain lesion Interactive Adaptive Continuously Learning segmentation)を提案する。
一 マルチモーダルバックボーンネットワークで、複数の種類の脳病変を分断し、ゼロフィリング及びランダムモダリティ降下により不均一なモダリティ集合を処理することを訓練すること。
(ii)バウンディングボックスとクリックプロンプトによる3次元インタラクティブセグメンテーション
3) ネットワーク自体の予測を擬似ラベルとして監視し,Click-Centered Gaussianの損失を補うオンライン適応機構。
我々の知る限り、これはインタラクティブなセグメンテーションのための最初の3次元オンライン適応手法の1つであり、不均一なモダリティ集合の取り扱いとオンライン適応を組み合わせた最初のものである。
7つの脳MRIデータセットに対する実験により、提案されたコンポーネントが相補的および相補的利益をもたらすことが示された。
この手法は、既存のアプローチを一貫して上回り、トレーニング中に見えないものや、これまで見られなかった脳病理タイプを含む、異種画像モダリティをうまく一般化する。
コードと3D Slicerプラグインは、公開時にhttps://github.com/WenTXuL/BrainIACでリリースされる。
関連論文リスト
- Degradation-Aware Blur-Segmentation of Brain Tumor [6.772154747032075]
Degradation-Aware Blur-Segmentation Net (DABSeg) は、同期型3次元マルチモーダルMRIセグメンテーションネットワークである。
本稿では,ブラーとリバランスの強度を補正する特徴領域の運動分解ステムを提案する。
システムは、モダリティの効果的な相補性を得るために、ぼやけたクロスアテンションモジュールとマルチスケールの残留アグリゲーションを組み込む。
論文 参考訳（メタデータ） (2026-05-15T06:47:37Z) - MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。
我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文 参考訳（メタデータ） (2026-03-12T07:37:00Z) - Interactive Segmentation and Report Generation for CT Images [10.23242820828816]
本稿では,3次元病変の報告のためのインタラクティブなフレームワークを提案する。
3次元CT医療画像にインタラクティブなセグメンテーションと構造化されたレポートを統合するのは,今回が初めてである。
論文 参考訳（メタデータ） (2025-03-05T09:18:27Z) - A Novel Convolutional-Free Method for 3D Medical Imaging Segmentation [0.0]
畳み込みニューラルネットワーク(CNN)がこの分野を支配し、3次元の医用画像セグメンテーションで大きな成功を収めている。
TransUNetやnnFormerのような最近のトランスフォーマーベースのモデルは、これらの制限に対処することを約束している。
本稿では,トランスアーキテクチャと自己認識機構に基づく,新しい完全畳み込みフリーモデルを提案する。
論文 参考訳（メタデータ） (2025-02-08T00:52:45Z) - Robust Divergence Learning for Missing-Modality Segmentation [6.144772447916824]
マルチモーダルMRI(Multimodal Magnetic Resonance Imaging)は、脳腫瘍の亜領域を解析するための重要な補完情報を提供する。
自動セグメンテーションのための4つの一般的なMRIモダリティを用いた手法は成功しているが、画像品質の問題、一貫性のないプロトコル、アレルギー反応、コスト要因などにより、モダリティの欠如に悩まされることが多い。
H"古い発散と相互情報に基づく新しい単一モード並列処理ネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-13T03:03:30Z) - Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical
Procedures [70.69948035469467]
カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。
次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
論文 参考訳（メタデータ） (2021-06-09T14:35:44Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。