論文の概要: CIRSeg: Coarse-to-Fine Intensity-Robust Liver Segmentation with Source-Free Continual Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2610.09784v1
• Date: Wed, 07 Oct 2026 10:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.850051
• Title: CIRSeg: Coarse-to-Fine Intensity-Robust Liver Segmentation with Source-Free Continual Test-Time Adaptation
• Title（参考訳）: CIRSeg: ソースフリーの連続テスト時間適応による粗大なインテンシティ-ロバスト肝セグメンテーション
• Abstract要約: CIRSegは、nnU-Netv2をベースとした、強度ローバストな肝セグメンテーションフレームワークである。 そのカスケードアーキテクチャは、高分解能の解剖学的局在をフルレゾリューション境界の微細化から切り離す。 結果は、ドメイン内のサブセットと見えないサブセットの両方に一貫して正確なセグメンテーションを示す。
• 参考スコア（独自算出の注目度）: 6.50062143557762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable liver segmentation in contrast-enhanced MRI is essential for quantitative hepatic assessment, treatment planning, and longitudinal disease monitoring. However, limited annotated data and scanner- or vendor-dependent intensity variations can cause overfitting and poor generalization to unseen acquisition domains. Moreover, simultaneously achieving robust global localization and precise boundary delineation remains challenging, while predictions may contain isolated false-positive regions outside the main liver component. To address these challenges, we propose CIRSeg, a coarse-to-fine, intensity-robust liver segmentation framework based on nnU-Netv2. CIRSeg combines 3D CutMix with stochastic intensity transfer using either Nyul augmentation or histogram matching to improve robustness to heterogeneous MRI intensities. Its cascaded architecture decouples low-resolution anatomical localization from full-resolution boundary refinement. At inference, source-free test-time adaptation based on confidence-filtered predictions and probability-prior regularization further improves robustness to out-of-distribution inputs. As a final deterministic post-processing step, largest connected component filtering removes isolated false-positive regions. On the CARE 2026 test set, CIRSeg achieves Dice scores of 97.13\% and 97.93\% on the in-domain and unseen-domain subsets, with corresponding HD95 values of 20.18 mm and 11.30 mm, respectively. These results demonstrate consistently accurate segmentation across both in-domain and unseen acquisition settings. The code is available at https://github.com/jingkunchen/MICCAI_CARE_2026
• Abstract（参考訳）: 造影MRIにおける肝セグメンテーションは, 定量的な肝評価, 治療計画, 縦断的疾患モニタリングに不可欠である。 しかし、限られたアノテートデータやスキャナやベンダーに依存した強度の変動は、未確認の取得ドメインへの過度な適合と一般化を招きかねない。 さらに, 肝成分外から分離した偽陽性領域を予測しながら, 堅牢な大域的局在化と正確な境界デライン化を同時に達成することは, 依然として困難である。 これらの課題に対処するために, nnU-Netv2をベースとした, 粗大で高強度の肝セグメンテーションフレームワークであるCIRSegを提案する。 CIRSeg は 3D CutMix と Nyul augmentation と histogram matching を併用することで、MRI 強度に対する堅牢性を向上させる。 そのカスケードアーキテクチャは、高分解能の解剖学的局在をフルレゾリューション境界の微細化から切り離す。 推測において、信頼度フィルタリング予測と確率優先正規化に基づくソースフリーテスト時間適応は、アウト・オブ・ディストリビューション・インプットに対するロバスト性をさらに向上させる。 最後の決定論的後処理ステップとして、最大の接続されたコンポーネントフィルタリングは、孤立した偽陽性領域を除去する。 CARE 2026 テストセットでは、CIRSeg は Dice のスコアを 97.13\% と 97.93\% とし、対応する HD95 の値は 20.18 mm と 11.30 mm である。 これらの結果は、ドメイン内のセグメンテーションと、目に見えない買収設定の両方で一貫して正確なセグメンテーションを示す。 コードはhttps://github.com/jingkunchen/MICCAI_CARE_2026で公開されている。

関連論文リスト

• Feature-Spectral Fragility in Segmentation: Dataset Dependence, Architecture-Specific Localization, and Spectral Correlates [0.0]
  学習した特徴表現の周波数依存性を学習後低域介入を用いて調査する。 CNN、SSM、Transformerはそれぞれ100%、73.2%、30.9%減少し、ISICでは9.4%、10.3%、0.6%となっている。 ネイティブな特徴領域スペクトル測定は、CVCにおける高周波エネルギーと不安定性の逆相関を示す。
  論文  参考訳（メタデータ） (2026-08-29T09:33:45Z)
• Improving Cross-Site Whole-Heart Segmentation [6.716055961221493]
  定量的心画像解析にはCTおよびMRIからの全肝分画が不可欠である。 本稿では,TotalSegmentator-componentd nnU-Netv2モデルとサイト特性,ラベル保存型外観拡張を組み合わせた3次元心筋セグメンテーションパイプラインを提案する。 その結果, サイトモチベーションによる外観向上は, 限られたデータ全体のセグメンテーションにおいて, クロスサイトロバスト性を向上させるための実践的戦略であることが示唆された。
  論文  参考訳（メタデータ） (2026-08-25T20:03:53Z)
• A Neighborhood Attention Transformer Network for Enhanced 3D Segmentation of the Left Anterior Descending Artery [5.486895610501164]
  左前下行動脈(LAD)の3次元自由呼吸,非造影CTの正確な分画は胸部放射線療法における心筋線量減少に必須である。 本研究では,3次元トランスフォーマベースセグメンテーションモデルであるNA-UNETRを提案する。 Dice-Focal と Hausdorff の複合損失は、相補的不確実性によって動的にバランスが取れ、重なり合いと境界の精度が向上する。
  論文  参考訳（メタデータ） (2026-08-12T17:13:59Z)
• Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis [3.616534682321388]
  本稿では,データセット由来の難易度信号と近隣3重項監視を統合したデータセットインフォームド・トランスファー学習フレームワークを提案する。 DITLは、全乳房密度分類における最先端のパフォーマンスを達成し、精度、F1スコア、AUCを大きく改善した。 大規模な密度推定で小さな病変解析をブリッジすることにより、DITLは臨床的に関連性があり、スケーラブルで、一般化可能なマンモグラフィ分類の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-07-28T17:52:36Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers [2.055026516354464]
  SWTR-Unetと呼ばれるハイブリッドネットワークは、事前訓練されたResNet、トランスフォーマーブロック、共通のUnetスタイルのデコーダパスで構成されている。 Diceスコアが平均98-2%,MRIデータセットで81-28%,CTデータセットで97-2%,79-25%であったことから,提案したSWTR-Unetは肝病変と肝病変のセグメンテーションの正確なアプローチであることが判明した。
  論文  参考訳（メタデータ） (2022-01-26T14:52:23Z)

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。