論文の概要: Where to Look Matters: Rethinking Sub-Volume Sampling in 3D Medical Self-supervised Learning

• arxiv url: http://arxiv.org/abs/2610.13915v1
• Date: Fri, 09 Oct 2026 17:51:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.716223
• Title: Where to Look Matters: Rethinking Sub-Volume Sampling in 3D Medical Self-supervised Learning
• Title（参考訳）: 3次元医用自己教師型学習におけるサブヴォームサンプリングの再考
• Abstract要約: 3次元医用画像の自己教師付き学習は、通常、事前訓練中にランダムなサブボリュームサンプリングに依存する。 制御された作物品質の操作を通じて、サブボリュームがより良く下流の移動に繋がることを示す。 我々は、ランダムな収穫をオフラインで粗いプローブバンクに置き換えるプラグイン・アンド・プレイフレームワークである textbfmethod を提案する。
• 参考スコア（独自算出の注目度）: 7.868343639716791
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Self-supervised learning on 3D medical images commonly relies on random sub-volume sampling during pretraining. However, random cropping implicitly treats all spatial regions as equally worth observing, despite anatomical priors and spatial redundancy that make regions inherently unequal in their value for representation learning. To this end, we first show through controlled crop-quality manipulations that better sub-volumes lead to better downstream transfer, revealing the observation policy as an overlooked bottleneck in 3D medical SSL. Motivated by this finding, we revisit sub-volume sampling as a \emph{where-to-look} problem. We propose \textbf{\method}, a plug-and-play framework that replaces random cropping with an offline coarse-to-fine probe bank guided by \textit{anatomy-awareness}, \textit{informativeness}, and \textit{diversity}. We instantiate \method as a lightweight \lite variant using geometric and image-statistical cues, and a diagnostic \feat variant using frozen visual features, to examine whether lightweight volume-intrinsic priors suffice or richer semantic cues reliably provide additional value. Extensive experiments across multiple 3D medical SSL backbones and downstream tasks demonstrate that \method-\lite consistently improves transfer performance over random sampling. Mechanistic analyses further attribute these gains to more anatomically plausible and informative observations, reduced spatial redundancy, more efficient learning dynamics, and more structured representations.
• Abstract（参考訳）: 3次元医用画像の自己教師付き学習は、通常、事前訓練中にランダムなサブボリュームサンプリングに依存する。 しかし、ランダムな収穫は、解剖学的な先行と空間的冗長性があるにもかかわらず、すべての空間領域を観察する価値のあるものとして暗黙的に扱う。 この目的のために、我々はまず作物の品質をコントロールし、サブボリュームを改善することで下流の移動がより良くなり、観察ポリシーが3D医療SSLのボトルネックとして見過ごされていることを明らかにした。 この発見によって、サブボリュームサンプリングを \emph{where-to-look} 問題として再考する。 本稿では, ランダムトリミングを, オフラインの粗い探究バンクに置き換えるプラグイン・アンド・プレイのフレームワークである‘textbf{\method} を提案する。 幾何的および画像統計的手がかりを用いた軽量な畳み込み変種として \method をインスタンス化し、凍結した視覚的特徴を用いた診断的な \feat 変種を定式化し、軽量な容積-内在前置前置前置前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置前置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後置後 複数の3D医療用SSLバックボーンとダウンストリームタスクにわたる大規模な実験により、‘method-\lite’はランダムサンプリングによる転送性能を一貫して改善することを示した。 力学解析により、これらの成果はより解剖学的に妥当で情報的な観察、空間的冗長性の低減、より効率的な学習力学、より構造化された表現に寄与する。

関連論文リスト

• GhostPoint: Self-Supervised Representation Learning by Hallucinating Occluded LiDAR Structure [58.617405464262646]
  LiDARポイントクラウドからの3Dオブジェクト検出は、自動運転における中核的な問題である。 自己教師付き学習(SSL)の最近の進歩は、スケーラブルな事前トレーニングとポイント単位のタスクへの転送を可能にしている。 我々は最近のSSL手法を解析し、ほとんどの目的が可視表面からのLiDAR戻り値にのみ定義されていることを発見した。 GhostPointはSSLフレームワークで、検出されたインスタンスの周辺で、潜伏する機能を幻覚させる。
  論文  参考訳（メタデータ） (2026-08-14T16:10:35Z)
• A Multimodal 3D Foundation Model for Light Sheet Fluorescence Microscopy Enables Few-Shot Segmentation, Classification, and Deblurring [4.068715668083084]
  本研究では,LSMデータに対する3次元基礎モデルを提案する。 我々は、マスク付き再構成と画像テキストアライメントを共同で最適化することで、転送可能なボリューム表現を学習する。
  論文  参考訳（メタデータ） (2026-05-25T16:50:58Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing [14.0825980706386]
  ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。 本研究では,3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。 提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームミキサを導入する。
  論文  参考訳（メタデータ） (2024-10-20T11:08:38Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Diffusion-SS3D: Diffusion Model for Semi-supervised 3D Object Detection [77.23918785277404]
  半教師付き3次元物体検出のための拡散モデルを用いて,擬似ラベルの品質向上に向けた新たな視点であるDiffusion-SS3Dを提案する。 具体的には、劣化した3Dオブジェクトサイズとクラスラベル、分布を生成し、拡散モデルをデノナイズプロセスとして利用し、バウンディングボックス出力を得る。 我々は,ScanNetとSUN RGB-Dベンチマークデータセットの実験を行い,既存手法に対する最先端性能の実現を実証した。
  論文  参考訳（メタデータ） (2023-12-05T18:54:03Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• DrasCLR: A Self-supervised Framework of Learning Disease-related and Anatomy-specific Representation for 3D Medical Images [23.354686734545176]
  3次元医用イメージングのための新しいSSLフレームワークDrasCLRを提案する。 本研究では, 局所解剖学的領域内の微妙な疾患パターンを捉えることを目的としており, 大規模領域にまたがる深刻な疾患パターンを表現することを目的としている。
  論文  参考訳（メタデータ） (2023-02-21T01:32:27Z)
• Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances [102.68466217374655]
  ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。 本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。 また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
  論文  参考訳（メタデータ） (2022-12-06T00:32:03Z)
• Bootstrap Representation Learning for Segmentation on Medical Volumes and Sequences [15.133897897609735]
  本稿では,隣接するスライスの予測可能性を活用することで,ブートストラップによる自己教師型表現学習手法を提案する。 提案手法のコアとなるのは,局所表現の予測に関する単純かつ直接的な自己スーパービジョンである。 本モデルでは, ACDCでは4.5%, 前立腺癌では1.7%, CAMUSでは2.3%の差で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-23T04:37:28Z)
• Generalize Ultrasound Image Segmentation via Instant and Plug & Play Style Transfer [65.71330448991166]
  ディープセグメンテーションモデルは、外観が不明な画像に一般化する。 モデルの再トレーニングは、高いレイテンシと複雑なパイプラインにつながる。 未知の外観変化下での堅牢なセグメンテーションのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-11T05:45:30Z)

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。