論文の概要: Topology-Informed Prompt-Conditioned Universal Segmentation of Uterine Structures from Ultrasound and MRI
- arxiv url: http://arxiv.org/abs/2610.06494v1
- Date: Mon, 05 Oct 2026 15:15:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 08:04:35.614437
- Title: Topology-Informed Prompt-Conditioned Universal Segmentation of Uterine Structures from Ultrasound and MRI
- Title（参考訳）: 超音波とMRIによる子宮構造物のトポロジーインフォームドプロンプトコンディションによるユニバーサルセグメンテーション
- Abstract要約: 子宮の多構造分節化は, コンピュータによる子宮疾患のスクリーニング, 診断, 治療計画に重要である。
超音波とMRIで複数の子宮構造をセグメント化するためのトポロジーインフォームド・プロンプト条件付きユニバーサル空間フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.805702132059698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-structure segmentation of the uterus is important for computer-assisted screening, diagnosis, and treatment planning of uterine diseases, where ultrasound and MRI provide complementary clinical information. However, developing a unified model across these modalities is challenging due to their substantially different image appearances, anatomical contexts, spatial resolutions, and label spaces. Moreover, existing datasets often define different segmentation targets, making joint learning challenging and potentially leading to negative transfer across heterogeneous tasks. To this end, we propose a Topology-informed Prompt-conditioned Universal Segmentation (TPUS) framework for segmenting multiple uterine structures across ultrasound and MRI. TPUS introduces a graph-based multi-dataset backbone comprising modality-specific stems and a modality-shared graph-based encoder-decoder to support modality-sensitive input adaptation, structural feature reasoning, and joint representation learning across heterogeneous uterine segmentation tasks. In addition, TPUS uses task-aware class prompts to condition the segmentation process for different datasets and label spaces, a dynamic convolutional adaptation module to generate task-specific output responses, and a topology-informed loss to encourage anatomically consistent predictions. Experiments on a uterine ultrasound dataset and a T2-weighted uterine myoma MRI dataset demonstrate that TPUS achieves Dice scores of 0.898 and 0.693 on the two held-out test sets, respectively, outperforming several generic and universal segmentation baselines. Source code can be accessed at https://github.com/YonghengSun1997/TPUS.
- Abstract（参考訳）: 超音波とMRIが相補的な臨床情報を提供する子宮疾患のスクリーニング,診断,治療計画において,子宮の多構造分節化が重要である。
しかし, 画像の外観, 解剖学的文脈, 空間分解能, ラベル空間が異なるため, 統一モデルの開発は困難である。
さらに、既存のデータセットは、しばしば異なるセグメンテーションターゲットを定義し、共同学習を困難にし、異種タスク間の負の移動につながる可能性がある。
そこで本研究では,超音波とMRIで複数の子宮構造をセグメント化するためのトポロジーインフォームドプロンプト条件付きユニバーサルセグメンテーション(TPUS)フレームワークを提案する。
TPUSは、モダリティ固有の幹と、モダリティに敏感な入力適応、構造的特徴推論、および異種子宮セグメンテーションタスク間の共同表現学習をサポートするモダリティ共有グラフベースのエンコーダデコーダからなるグラフベースのマルチデータセットバックボーンを導入する。
さらに、TPUSはタスク認識クラスプロンプトを使用して、異なるデータセットとラベル空間のセグメンテーションプロセスを条件付け、タスク固有の出力応答を生成する動的畳み込み適応モジュール、解剖学的に一貫した予測を促進するトポロジインフォームド・ロスを使用する。
子宮超音波データセットとT2強調ミオマMRIデータセットの実験により、TPUSは2つのホールドアウトテストセットでそれぞれ0.898と0.693のDiceスコアを達成し、いくつかの一般的なセグメンテーションベースラインと普遍的なセグメンテーションベースラインを上回った。
ソースコードはhttps://github.com/YonghengSun1997/TPUSでアクセスできる。
関連論文リスト
- Standardized Evaluation of Automatic Methods for Perivascular Spaces Segmentation in MRI -- MICCAI 2024 Challenge Results [11.040060608562362]
本稿では,MICCAI 2024で組織されたEPVS Challengeについて述べる。
マルチサイトデータにまたがるEPVSセグメンテーションのための自動アルゴリズムの開発を促進することを目的としている。
MedNeXtアーキテクチャと2D/3D戦略を併用し, 異なるスライス厚の処理を行った。
論文 参考訳（メタデータ） (2025-12-20T03:45:14Z) - Anatomy-Guided Representation Learning Using a Transformer-Based Network for Thyroid Nodule Segmentation in Ultrasound Images [16.78356926470714]
SSMT-Netは、トランスフォーマー中心のエンコーダ特徴抽出機能を初期教師なしフェーズで強化する半スーパーバイズマルチタスクトランスフォーマーベースのネットワークである。
教師付きフェーズでは、モデルが結節分節、腺分節、サイズ推定を共同で最適化し、局所的特徴と大域的特徴を統合する。
TN3KとDDTIデータセットの評価では、SSMT-Netは最先端の手法よりも高い精度と堅牢性を示し、実際の臨床応用の可能性を示している。
論文 参考訳（メタデータ） (2025-12-14T12:20:20Z) - Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation [0.6597195879147557]
頸動脈血管壁とプラークのセグメンテーションのためのマルチシーケンスMRIデータを統合するための半教師付き深層学習手法を提案する。
動脈硬化症52例に対し, それぞれ5つのMRIシークエンスを施行した。
論文 参考訳（メタデータ） (2025-07-10T07:31:31Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。
腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。
セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
論文 参考訳（メタデータ） (2024-09-18T17:35:19Z) - Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
トポロジカルデータ解析(TDA)に基づくMRIスキャンのセグメンテーションのための新しいフレームワークを提案する。
パイプラインは3つのステップで進み、まずオブジェクト全体を自動しきい値によってセグメントに識別し、次に事前にトポロジが知られている固有のサブセットを検出し、最後にセグメンテーションの様々なコンポーネントを推論する。
脳MRIにおけるグリオ芽腫の分画、心筋MRIにおける心筋、シリンダー形成、胎児脳MRIにおける皮質プレート検出の3つの応用について検討した。
論文 参考訳（メタデータ） (2024-01-02T11:43:49Z) - 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) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。