論文の概要: ReSeg: Retraining-free segmentation of abdominal organs via generalizable semantic representation learning

• arxiv url: http://arxiv.org/abs/2610.29090v1
• Date: Wed, 21 Oct 2026 02:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.179096
• Title: ReSeg: Retraining-free segmentation of abdominal organs via generalizable semantic representation learning
• Title（参考訳）: ReSeg: 一般化可能な意味表現学習による腹部臓器の非訓練的セグメンテーション
• Abstract要約: ReSegは、ドメインに依存しないゼロショット腹部臓器セグメンテーションのための2段階のリトレーニングフリーフレームワークである。 これは、専用のデータエンジンによって生成される意味的および視覚的に多様な合成画像を利用する。 既存のSOTA(State-of-the-art)メソッドを一貫して上回り、実際のトレーニングイメージの必要性を排除している。
• 参考スコア（独自算出の注目度）: 3.0739273007185344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abdominal organ segmentation is essential in modern medical applications. While existing deep learning approaches demonstrate promising performance, their heavy reliance on large-scale image data raises concerns over generalization capability and privacy risks. This motivates the development of generalizable segmentation training paradigms based on domain-randomized image synthesis, facilitating generalization across unseen real image domains. However, existing paradigms either suffer from limited segmentation performance when applied to abdominal organs, or require dataset-specific finetuning. To address these limitations, we propose ReSeg, a novel two-stage retraining-free framework for domain-agnostic zero-shot abdominal organ segmentation. At the first stage, our organ-agnostic synthetic data-driven pretraining approach exploits semantically and visually diverse synthetic images generated by a dedicated data engine to optimize a Generalizable Semantic Representation Network (GSRNet). The network is thereby capable of learning semantic features robust against variations in anatomical structure, imaging contrast, resolution and spatial context, which provide universal representation capabilities that serve as a foundation for segmentation learning. Subsequently, in the second stage, we continue to train an Organ-specific Encoder-decoder Segmentation Network (OESNet), whose encoder is initialized with the pretrained weights. This training process is facilitated by another dedicated data engine, which generates diversified visual images while strictly retaining the inherent spatial layout of abdominal organs. Comprehensive evaluation on seven abdominal organ segmentation datasets across three different modalities including CT, MRI, and PET demonstrates that ReSeg consistently outperforms existing state-of-the-art (SOTA) methods while eliminating the need for real training images.
• Abstract（参考訳）: 腹部臓器の分節は現代の医学的応用に欠かせない。 既存のディープラーニングアプローチは有望なパフォーマンスを示しているが、大規模な画像データに依存しているため、一般化能力やプライバシリスクに対する懸念が高まる。 これにより、ドメインランダム化画像合成に基づく一般化可能なセグメンテーション訓練パラダイムの開発が動機となり、目に見えない実画像領域の一般化が促進される。 しかし、既存のパラダイムは腹部臓器に適用する場合に限られたセグメンテーション性能に悩まされるか、あるいはデータセット固有の微調整を必要とする。 これらの制約に対処するため,ドメインに依存しないゼロショット腹部臓器分割のための新しい2段階リトレーニングフリーフレームワークであるReSegを提案する。 最初の段階では、臓器に依存しない合成データ駆動型事前学習アプローチは、専用データエンジンが生成する意味的および視覚的に多様な合成画像を利用して、一般化可能な意味表現ネットワーク(GSRNet)を最適化する。 このネットワークは、解剖学的構造、画像コントラスト、解像度、空間コンテキストの変動に対して堅牢な意味的特徴を学習することができ、セグメンテーション学習の基礎となる普遍的な表現能力を提供する。 その後、第2段階では、エンコーダが予めトレーニングされた重みで初期化されるOrgan-specific Encoder-decoder Segmentation Network (OESNet) のトレーニングを継続する。 このトレーニングプロセスは、腹部臓器の空間的レイアウトを厳密に保持しつつ、多様な視覚画像を生成する、別の専用データエンジンによって促進される。 CT、MRI、PETを含む3つのモードにわたる腹部臓器分割データセットの総合的評価は、ReSegが実際の訓練画像の必要性を排除しつつ、既存のSOTA法を一貫して上回っていることを示している。

関連論文リスト

• Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation [30.524999223901645]
  完全教師なし方式で生成されるアノテーション効率のよいプロンプトを利用するSAM(Segment Anything Model)フレームワークを提案する。 我々は、モデルが高忠実度セグメンテーションを生成できるように最適なポリシーを設計するために、直接選好最適化手法を採用する。 X線, 超音波, 腹部CTなど多彩な領域にわたる肺分節, 乳房腫瘍分節, 臓器分節などのタスクにおける我々のフレームワークの最先端性能は, 低アノテーションデータシナリオにおけるその有効性を正当化するものである。
  論文  参考訳（メタデータ） (2025-03-06T17:28:48Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
  AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
  論文  参考訳（メタデータ） (2021-07-12T14:54:04Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
  本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。 最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
  論文  参考訳（メタデータ） (2020-12-02T19:42:18Z)
• Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
  大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。 本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。 筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
  論文  参考訳（メタデータ） (2020-07-06T20:27:38Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)
• Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks [0.36944296923226316]
  深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。 我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
  論文  参考訳（メタデータ） (2020-01-26T21:28:04Z)

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。