論文の概要: DART: Scaling a Shape Representation Across Anatomical Classes and Imaging Modalities

• arxiv url: http://arxiv.org/abs/2610.27605v1
• Date: Tue, 20 Oct 2026 04:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.630275
• Title: DART: Scaling a Shape Representation Across Anatomical Classes and Imaging Modalities
• Title（参考訳）: DART: 解剖学の授業における形状表現のスケーリングと画像モダリティ
• Abstract要約: テキストによる解剖学的再構成のための拡散は、セグメント化確率から共有形状表現を学習する。 我々は,新しいボクセルレベルのアノテーションを使わずに,50から377の解剖学的クラスに単一形状の表現を拡大した。 修正されたラベルはセグメンテーションモデルを改善し、一つのモデルのDiceを57.1%から67.5%に引き上げた。
• 参考スコア（独自算出の注目度）: 17.19285261032301
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current state-of-the-art segmentation models still produce anatomically implausible shapes, such as broken vessels and fragmented glands, on the structures that are hardest to segment. Learned shape representations capture what structures look like and can help correct these errors, but most cover a fixed set of anatomical classes. Extending this coverage across classes and imaging modalities is costly because it often requires new voxel-level annotations. We propose Diffusion for Anatomical Reshaping with Text (DART), which learns a shared shape representation from segmentation probabilities. It uses anatomical descriptions to correct these probabilities without receiving medical images. Across 13 public benchmarks, absolute Dice gains reach 31% for individual gallbladder cases in CT and 10% for individual prostate cases in MRI. Using existing segmentation predictions, we scale a single shape representation from 50 to 377 anatomical classes without new voxel-level annotations for correction training. The shared representation also corrects four lesion classes absent from training and transfers from CT to MRI without retraining. Corrected labels also improve segmentation models, raising one model's Dice from 57.1% to 67.5%. The same pipeline supports annotations for 45,000 CT scans. These results suggest that sharing shape information within and across classes can reduce the need for new voxel-level annotations when extending segmentation to more anatomical classes and imaging modalities. The model is available at https://huggingface.co/Koushik45/DART-Seg
• Abstract（参考訳）: 現在の最先端のセグメンテーションモデルは、分割が困難である構造の上に、壊れた血管や断片化された腺などの解剖学的に不確実な形状をいまだに生み出している。 学習された形状表現は構造がどんなものかを捉え、これらのエラーを修正するのに役立ちます。 このカバレッジをクラス全体に拡張し、モダリティをイメージングすることは、しばしば新しいボクセルレベルのアノテーションを必要とするため、コストがかかる。 セグメント化確率から共有形状表現を学習するDART(Diffusion for Anatomical Reshaping with Text)を提案する。 医学的な画像を受け取らずにこれらの確率を補正するために解剖学的記述を用いる。 13の公開ベンチマークで、DiceはCTの個々の胆嚢症例で31%、MRIの個々の前立腺症例で10%に達する。 既存のセグメンテーション予測を用いて,新しいボクセルレベルのアノテーションを使わずに,50から377の解剖学的クラスに単一形状の表現を拡張した。 共有表現はまた、トレーニングから欠席した4つの病変を修正し、再トレーニングなしでCTからMRIへ転送する。 修正されたラベルはセグメンテーションモデルを改善し、一つのモデルのDiceを57.1%から67.5%に引き上げた。 同じパイプラインは45,000のCTスキャンのためのアノテーションをサポートしている。 これらの結果から,クラス内およびクラス間での形状情報の共有は,より解剖学的クラスにセグメンテーションを拡張したり,画像のモダリティを拡大する際に,新たなボクセルレベルのアノテーションの必要性を低減できる可能性が示唆された。 モデルはhttps://huggingface.co/Koushik45/DART-Segで公開されている。

関連論文リスト

• VRXU-net: A Deep Learning Approach for Brain Ischemic Stroke Lesion Detection and Segmentation in T1W MRI [0.0]
  本研究では,3次元MRI画像における虚血性脳梗塞の検出と分画を行うために,視覚的特徴,残差接続,U字型ネットワークから派生した新しいVRU-Netアーキテクチャを提案する。 性能と処理速度の両方を改善するために、シーケンシャルフレームワークにおけるセグメンテーションモデルの前に高性能な分類器を適用する。 提案モデルは、ストローク後の解剖学的トレースに基づいて訓練され、精度とDice係数の点で最先端のモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-20T18:44:08Z)
• Scaling In-Context Segmentation with Hierarchical Supervision [0.0]
  コンテキスト内学習により、医療画像セグメンテーションモデルは新しい解剖学的構造に適応できる。 我々は、選択的な画像パッチとマルチレベル監視を組み合わせた階層的なフレームワークであるPatchICLを提案する。 強力なグローバルアテンションベースラインであるUniverSegと比較して、PatchICLは、競合するドメイン内CTセグメンテーションの精度を実現し、計算を512times512$で44%削減する。
  論文  参考訳（メタデータ） (2026-04-14T14:00:03Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• 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)
• SegVol: Universal and Interactive Volumetric Medical Image Segmentation [25.322437534713163]
  本稿では,汎用的,インタラクティブな医用画像セグメンテーションを支援する3D基盤セグメンテーションモデルSegVolを提案する。 トレーニングデータを90Kの未ラベルCTボリュームと6Kのラベル付きCTボリュームにスケールアップすることにより、この基礎モデルは200以上の解剖学的カテゴリのセグメンテーションをサポートする。 22の解剖学的セグメンテーションタスクの実験では、SegVolは19のタスクで競合より優れており、ランナアップメソッドと比較して37.24%改善されている。
  論文  参考訳（メタデータ） (2023-11-22T13:27:36Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
  深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。 注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。 本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
  論文  参考訳（メタデータ） (2023-03-15T01:30:48Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• One-shot Weakly-Supervised Segmentation in Medical Images [12.184590794655517]
  ワンショットおよび弱教師付き設定による3次元医用画像セグメンテーションの革新的枠組みを提案する。 注釈付きボリュームからラベルなしの3D画像へスクリブルを投影するために,伝搬再構成ネットワークを提案する。 デュアルレベルの特徴記述モジュールは、解剖学的およびピクセルレベルの特徴に基づいて、スクリブルを洗練させるように設計されている。
  論文  参考訳（メタデータ） (2021-11-21T09:14:13Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)

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。