論文の概要: MAGEFormer: Learning Metric-Consistent Representations for Anisotropic CT Segmentation

• arxiv url: http://arxiv.org/abs/2610.04036v1
• Date: Fri, 02 Oct 2026 20:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 20:49:37.665464
• Title: MAGEFormer: Learning Metric-Consistent Representations for Anisotropic CT Segmentation
• Title（参考訳）: MAGEFormer:異方性CTセグメンテーションのための平均値表現の学習
• Abstract要約: 視力変換器 (ViT) は, 容積区分けにおいて高い性能を示したが, 臨床CTにおける有効性はユークリッド格子の等方性仮定によって制限されている。 これは異方性CTの取得と矛盾し、(1)ボクセル指標と身体解剖との計量ミスマッチ、(2)等方性再サンプリングによる精度劣化の2つに繋がった。 本稿では,物理量制約を直接表現学習に組み込む幾何学的枠組みであるMAGEFormerを提案する。
• 参考スコア（独自算出の注目度）: 1.6858838294834075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision Transformers (ViTs) have shown strong performance in volumetric segmentation, but their effectiveness on clinical CT is limited by an isotropic Euclidean lattice assumption. This conflicts with anisotropic CT acquisition, leading to two key issues: (1) a metric mismatch between voxel indices and physical anatomy, and (2) accuracy degradation from isotropic resampling. To address this, we propose MAGEFormer, a geometry-calibrated framework that embeds physical metric constraints directly into representation learning. Our method introduces Metric-Adaptive Spatial Embedding (MASE) to calibrate positional frequencies using voxel spacing, Geometry-Constrained Attention (GCA) to suppress physically implausible feature correlations, and Geometric View Voting (GVV) to reduce discretization bias during inference. We evaluate MAGEFormer on two multi-organ abdominal CT benchmarks, BTCV and FLARE 22, under a unified protocol against strong CNN and Transformer-based baselines. MAGEFormer achieves the strongest boundary accuracy among the compared methods, with 10.58 mm HD95 on BTCV and 3.40 mm HD95 on FLARE 22, and shows consistent gains in Dice under the same protocol. These results show that geometry-aware internal calibration is more effective than relying on conventional isotropic preprocessing alone for anisotropic CT segmentation.
• Abstract（参考訳）: 視力変換器 (ViT) は, 容積区分けにおいて高い性能を示したが, 臨床CTにおける有効性はユークリッド格子の等方性仮定によって制限されている。 これは異方性CTの取得と矛盾し,(1)ボクセル指標と身体解剖との計量ミスマッチ,(2)等方性再サンプリングによる精度劣化の2つに繋がった。 そこで本研究では,物理量制約を直接表現学習に組み込む幾何学校正フレームワークであるMAGEFormerを提案する。 本手法では,ボクセルスペーシングを用いた位置周波数のキャリブレーションにMetric-Adaptive Spatial Embedding (MASE)を導入し,物理的に不明瞭な特徴相関を抑えるGeometry-Constrained Attention (GCA) と,推論時の離散化バイアスを低減するGeometric View Voting (GVV) を導入している。 CNNとTransformerベースラインに対する統一プロトコルにより,MAGEFormerをBTCVとFLARE 22の2種類の腹部CTベンチマークで評価した。 MAGEFormerは、BTCVでは10.58mm HD95、FLARE 22では3.40mm HD95、比較手法ではDiceでは同じプロトコルで一貫した利得を示している。 これらの結果から,異方性CTセグメンテーションは従来の等方性前処理にのみ依存するよりも,幾何性を考慮した内部キャリブレーションが有効であることが示唆された。

関連論文リスト

• When Misalignment Becomes Supervision: Structured Label Noise in Supervised Synthetic CT Generation [1.1707781456806168]
  SCT(Supervised Synthetic CT)生成は、一般的に、登録された基準CT画像に対して、ボクセルワイドレグレッションとして訓練され評価される。 実際には、MRI-CT と CBCT-CT のペアは、残像の不一致を残す登録手順によって整列される。 当科における1,784例のMRI-to-CTとCBCT-to-CTの併用効果について検討した。
  論文  参考訳（メタデータ） (2026-09-24T11:12:07Z)
• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Clinically Aligned Geometry Constraints for Robust IVUS Vessel Boundary Segmentation [10.359133930200992]
  定量的冠プラーク負荷評価には血管内超音波(IVUS)セグメンテーションが重要である。 オーバーラップスコアを優先する標準的な手法は境界ドリフトやトポロジーの誤りに悩まされ、不正確な臨床測定に繋がる。 クロスドメイン・アテンションと時間融合を併用したデュアル・カルテシアン・ポーラ・エンコーダを用いて、5フレームIVUSクリップを処理する幾何一貫性ネットワークGeoCatを提案する。 Dice/IoU, 境界測度(95HD), ASSD, トポロジ違反率, 臨床幾何学誤差(dmax/dmin, 角度, 面積)など, セグメンテーション精度とプラーク関連臨床指標の両方を用いて評価を行った。
  論文  参考訳（メタデータ） (2026-06-17T06:02:01Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation [42.85377247586073]
  我々は,CT劣化検出と重度推定のためのデータセットとベンチマークであるCT-DegradBenchを提案する。 本稿では,医用視覚言語モデルのセマンティック先行と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークであるSeSpeCTを提案する。
  論文  参考訳（メタデータ） (2026-05-14T19:30:00Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation [13.650721192161079]
  境界のあいまいさを解消し,グローバルな構造的整合性を維持するために,AACNet(Anatomy Aware Cascade Network)を提案する。 AACNetは90.17 %のDice類似度係数と95%のHausdorff Distanceの3.63 mmを実現し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T12:53:27Z)
• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)
• Segmentation-Guided CT Synthesis with Pixel-Wise Conformal Uncertainty Bounds [2.424469485586727]
  コーンビームCT(CBCT)は、適応放射線療法(ART)全体を通して、線量計算を改善するためのsCTを生成する。 CBCTは深刻なアーチファクトと画質の低下に悩まされており、正確な線量測定には適さない。 深層学習に基づくCBCT-to-CT翻訳が有望なアプローチとして登場した。 本稿では2つの重要なコンポーネントを統合する新しいフレームワークであるSTF-RUEを提案する。
  論文  参考訳（メタデータ） (2025-03-11T15:07:16Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。