論文の概要: LatticeRank: Spacing-Ranked Consistency for Native-Grid 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.28091v1
• Date: Tue, 20 Oct 2026 12:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.79984
• Title: LatticeRank: Spacing-Ranked Consistency for Native-Grid 3D Medical Image Segmentation
• Title（参考訳）: LatticeRank: ネイティブグリッド3D画像分割のためのスペーシング駆動一貫性
• Abstract要約: 本稿では,物理空間における後方候補の整列と,ボクセル・スパッシング順序による整合性管理を両立させる訓練専用フレームワークを提案する。 MSD Task04では、LatticeRankは5つの種子の平均一貫性を0.03436倍に改善し、予め規定された基準格子非不等式基準を満たしている。
• 参考スコア（独自算出の注目度）: 2.169117857639044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variable voxel spacing changes more than image resolution: it alters the discrete sampling lattice, tensor geometry, and anatomical evidence available to a 3D segmentation network. While conventional pipelines restore images to a canonical grid, direct-grid deployment requires the model itself to tolerate these changes. We observe that candidate grids are not exchangeable views -- a coarse grid removes more structural information than a mildly resampled one -- yet standard consistency objectives assign them equal influence. We therefore propose LatticeRank, a training-only framework that aligns candidate posteriors in physical space and allocates consistency supervision by voxel-spacing order: among endpoint-matched candidates, the auxiliary loss concentrates on the coarsest requested grid, while inference retains a single network forward with no candidate branch or ensemble. On MSD Task04, LatticeRank improves coarse-grid Extra Dice over mean consistency by 0.03436 across five seeds while meeting the prespecified reference-grid noninferiority criterion. A controlled ladder shows that grid exposure provides the largest recovery, posterior consistency adds a second gain, and spacing-ranked allocation yields the strongest direct-grid result; requested spacing thus provides a simple, model-independent ordering signal for direct-grid consistency learning.
• Abstract（参考訳）: 可変ボクセル間隔は画像分解能以上に変化し、離散サンプリング格子、テンソル幾何学、解剖学的証拠を3Dセグメンテーションネットワークに変換する。 従来のパイプラインはイメージを標準的なグリッドに復元するが、ダイレクトグリッドデプロイメントではモデル自体が変更を許容する必要がある。 我々は、候補グリッドは交換可能なビューではなく、粗いグリッドは、軽度に再サンプリングされたビューよりも構造的な情報を除去する。 そこで,本論文では,仮想空間の後方部分の整列とボクセル・スパッシング順序による整合性管理を行うトレーニング専用フレームワークであるLatticeRankを提案する。 MSD Task04では、LatticeRankは5つの種子の平均一貫性を0.03436倍に改善し、予め規定された基準格子非不等式基準を満たしている。 制御されたラグは、グリッド露光が最大のリカバリを提供し、後続の一貫性は第2のゲインを加算し、スペーシングランクのアロケーションが最強の直接グリッド結果をもたらすことを示している。

関連論文リスト

• MeshOctave: Vertex Split-and-Rewire Cascades for Native Mesh Generation [39.92539008617647]
  MeshOctaveは、Dyadic空間グリッドの解像度を通じてスケールを定義し、決定論的崩壊として粗い粒度をフレーミングする。 スケール条件付きマスク付き一様離散拡散モデルを構築し,分解分解能崩壊階層から分割・再配線操作を学習する。
  論文  参考訳（メタデータ） (2026-09-30T05:04:00Z)
• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
  Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。 独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。 Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
  論文  参考訳（メタデータ） (2026-06-11T17:48:38Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• On the Degrees of Freedom of Gridded Control Points in Learning-Based Medical Image Registration [10.269175534464102]
  本研究では,学習ベース登録ネットワーク開発に必要な制御ポイントについて検討する。 本稿では,厳密なボクセル単位のデコーディングを,制御点の粗いグリッドでの変位予測に置き換える学習ベースの登録フレームワークであるGridRegを提案する。
  論文  参考訳（メタデータ） (2026-03-15T15:54:56Z)
• MetricGrids: Arbitrary Nonlinear Approximation with Elementary Metric Grids based Implicit Neural Representation [24.440853816871215]
  MetricGridsは、様々な距離空間の基本的なメートル法格子と複素非線形信号の近似を組み合わせた、新しいグリッドベースのニューラルネットワーク表現である。 2次元と3次元の両方の再構成実験の結果,提案手法の適合性およびレンダリング精度が向上した。
  論文  参考訳（メタデータ） (2025-03-13T03:18:12Z)
• Beyond Fixed Grid: Learning Geometric Image Representation with a Deformable Grid [70.83353059694531]
  本稿では,学習可能なニューラルネットワークモジュールであるemphDeformable Grid DefGridを紹介する。 DefGridは、2次元三角格子の頂点の位置オフセットを予測する。 セマンティックセグメンテーションのための一様グリッド上でCNNを使用する場合と比較して,同じグリッド解像度で有意に改善された結果を示す。
  論文  参考訳（メタデータ） (2020-08-21T02:22:06Z)

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。