論文の概要: UniPro: Unified Multi-Mode Medical Image Segmentation from 2D Images to 3D Volumes via Propagation
- arxiv url: http://arxiv.org/abs/2610.06938v1
- Date: Sat, 03 Oct 2026 06:41:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.47326
- Title: UniPro: Unified Multi-Mode Medical Image Segmentation from 2D Images to 3D Volumes via Propagation
- Title（参考訳）: UniPro:2次元画像から3次元ボリュームへの統一されたマルチモード医用画像分割
- Abstract要約: 分割パラダイムとデータ次元をブリッジするモデルであるUniProを,2次元分割を3次元ボリュームに拡張するための伝搬を用いて提案する。
このビューに基づいて構築されているUniProは、単一のスライスベースのフレームワーク内で、セマンティック、インコンテキスト、インタラクティブ、および伝搬ベースのセグメンテーションをサポートする。
- 参考スコア（独自算出の注目度）: 11.85910480572589
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation remains fragmented along two axes: segmentation paradigms and data dimensionality. Existing methods are typically developed separately for semantic, in-context, and interactive segmentation, and are further specialized to either native 2D images or 3D volumetric data. In clinical practice, however, segmentation workflows take many forms: a case may be initialized by semantic prediction, reference-guided segmentation, or user interaction. Regardless of how it begins, fine-grained refinement is naturally performed on 2D views; for volumetric scans, such 2D edits must propagate coherently to the rest of the volume. We present UniPro, a unified model that bridges segmentation paradigms and data dimensionality, using propagation to extend 2D segmentation to 3D volumes. Our key insight is that volumetric propagation and in-context segmentation share the same reference-conditioned prediction mechanism, differing only in whether the reference image-mask pairs come from other cases or from previously segmented neighboring slices. Building on this view, UniPro supports semantic, in-context, interactive, and propagation-based segmentation within a single slice-based framework, using class priors, reference exemplars, user clicks, and neighboring-slice predictions as mode-specific conditioning inputs. To improve propagation reliability, UniPro further incorporates bidirectional and 3D supervision to regularize slice-wise propagation beyond per-slice losses. Extensive experiments across diverse modalities and anatomies show that UniPro achieves strong performance across all segmentation settings, enabling annotation-efficient 3D segmentation from sparse 2D initialization and reducing slice-by-slice correction effort.
- Abstract（参考訳）: 医用画像のセグメンテーションは、セグメンテーションパラダイムとデータ次元という2つの軸に沿って断片化されている。
既存の手法は通常、セマンティック、インコンテキスト、インタラクティブセグメンテーションのために別々に開発され、ネイティブな2D画像や3Dボリュームデータに特化している。
しかし、臨床実践では、セグメンテーションのワークフローは、意味論的予測、参照誘導セグメンテーション、ユーザインタラクションによって初期化される可能性がある。
ボリュームスキャンでは、このような2D編集はボリュームの残りの部分と一貫性を持って伝播しなければならない。
分割パラダイムとデータ次元をブリッジする統一モデルUniProを提案する。
我々の重要な洞察は、ボリューム伝播とコンテキスト内セグメンテーションは同じ基準条件付き予測機構を共有しており、参照画像とマスクのペアが他のケースから来ているか、あるいは以前セグメンテーションされた近隣スライスから来ているかが異なることである。
このビューに基づいて、UniProは、単一のスライスベースのフレームワーク内で、セマンティック、インコンテキスト、インタラクティブ、および伝搬ベースのセグメンテーションをサポートします。
伝搬信頼性を向上させるために、UniProはさらに双方向と3Dの監視を導入し、スライス単位の伝搬をスライス単位の損失を超えて規則化している。
多様なモダリティや解剖学にわたる広範囲な実験により、UniProはすべてのセグメンテーション設定で高い性能を達成し、アノテーション効率のよい3Dセグメンテーションを可能にし、スライス・バイ・スライス補正の労力を削減した。
関連論文リスト
- EPS3D: End-to-End Feed-Forward 3D Panoptic Segmentation [92.9295124221522]
EPS3Dは、オープンな3Dパノラマセグメンテーションのためのエンドツーエンドフィードフォワードフレームワークである。
マルチビューイメージからセマンティックとインスタンスの機能を予測し、3D一貫性を改善し、エラーの蓄積を避ける。
ロボット操作や3Dシーン編集などのタスクをサポートする。
論文 参考訳（メタデータ） (2026-06-08T03:26:54Z) - Multi-View Projection for Unsupervised Domain Adaptation in 3D Semantic Segmentation [0.9345376836714131]
教師なしドメイン適応(UDA)のための多視点プロジェクションフレームワークを提案する。
我々の手法はLiDARスキャンをコヒーレントな3Dシーンに整列し、複数の仮想カメラのポーズからレンダリングして2Dデータセット(PC2D)を生成する。
2Dセグメンテーションモデルのアンサンブルは、これらのモダリティに基づいて訓練され、推論中は、1シーンあたり数百ビューが処理され、ロジットは3Dにバックプロジェクションされる。
我々のフレームワークはレアクラスのセグメンテーションを可能にし、それらのクラスに対する2Dアノテーションのみを活用しながら、ソースドメイン内の他のクラスに対する3Dアノテーションに依存していることを示す。
論文 参考訳（メタデータ） (2025-05-21T14:08:42Z) - econSG: Efficient and Multi-view Consistent Open-Vocabulary 3D Semantic Gaussians [56.85804719947]
3DGSを用いたオープン語彙セマンティックセマンティックセグメンテーションのためのeconSGを提案する。
筆者らのeconSGは,既存手法と比較して,4つのベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2025-04-08T13:12:31Z) - Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。
MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。
提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
論文 参考訳（メタデータ） (2024-08-26T17:15:37Z) - Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。
私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
論文 参考訳（メタデータ） (2024-07-17T06:14:53Z) - View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。
本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。
提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
論文 参考訳（メタデータ） (2024-05-30T04:14:58Z) - Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained
Image Foundation Models [13.08275555017179]
単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。
今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
論文 参考訳（メタデータ） (2023-10-30T16:49:03Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳（メタデータ） (2023-07-13T08:27:09Z) - Weakly Supervised 3D Open-vocabulary Segmentation [104.07740741126119]
学習済み基礎モデルCLIPとDINOを弱教師付きで活用することで,3次元オープン語彙セグメンテーションの課題に取り組む。
我々はCLIPとDINOのオープン語彙多様知識とオブジェクト推論能力をニューラルラディアンス場(NeRF)に蒸留する。
提案手法の特筆すべき点は,基礎モデルや蒸留プロセスに手動セグメンテーションアノテーションを必要としない点である。
論文 参考訳（メタデータ） (2023-05-23T14:16:49Z)
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。