論文の概要: Dense Representation Learning and Differentiable Shape Modeling for Spine Landmark Detection

• arxiv url: http://arxiv.org/abs/2610.36951v1
• Date: Tue, 27 Oct 2026 10:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.562459
• Title: Dense Representation Learning and Differentiable Shape Modeling for Spine Landmark Detection
• Title（参考訳）: 山陰ランドマーク検出のためのDense Representation Learningと微分可能な形状モデリング
• Abstract要約: 脊椎X線による脊椎のランドマーク検出は, 脊椎変形重症度の推定, 生体力学的モデルの構築, 術前計画のための重要なステップである。 我々は、画素レベルのコントラスト表現学習問題として解剖学的ランドマーク検出を再構成し、高密度画素埋め込みとランドマークプロトタイプをマッチングする。 我々のアプローチは、AASCEデータセットと2つのプライベート脊髄X線データセットの最先端技術を用いて、目覚しい精度と臨床パラメータ推定の点で競争力がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spine landmark detection from spinal X-ray is a key step for estimating spine deformation severity, for building biomechanical models, and for pre-operative planning. We reframe anatomical landmark detection as a pixel-level contrastive representation learning problem, matching dense pixel embeddings with landmark prototypes. Surprisingly, even with a generic U-Net backbone, this formulation results in more discriminative heatmaps compared to the traditional heatmap regression paradigm, leading to improved discrimination between vertebral corners on distinct vertebra. Furthermore, we combine the resulting heatmaps with learnable shape priors over the global configuration of spinal landmarks to resolve ambiguities in landmark locations, yielding a simple and practical approach to spinal landmark detection. Our approach is competitive, in terms of landmark accuracy and clinical parameter estimation, with the state-of-the-art on the public AASCE dataset and on two private spinal X-ray datasets. Our code and pre-trained weights are available at https://github.com/BioMedTP/Pix2Point.
• Abstract（参考訳）: 脊椎X線による脊椎のランドマーク検出は, 脊椎変形重症度の推定, 生体力学的モデルの構築, 術前計画のための重要なステップである。 我々は、画素レベルのコントラスト表現学習問題として解剖学的ランドマーク検出を再構成し、高密度画素埋め込みとランドマークプロトタイプをマッチングする。 驚くべきことに、一般的なU-Netのバックボーンでさえも、この定式化は従来の熱マップ回帰パラダイムと比較してより差別的な熱マップをもたらし、異なる脊椎の椎間角の識別を改善した。 さらに、得られた熱マップと学習可能な形状の先駆体を組み合わせることで、ランドマーク位置の曖昧さを解消し、単純で実践的な脊髄ランドマーク検出のアプローチをもたらす。 我々のアプローチは、AASCEデータセットと2つのプライベート脊髄X線データセットの最先端技術を用いて、目覚しい精度と臨床パラメータ推定の点で競争力がある。 私たちのコードとトレーニング済みの重み付けはhttps://github.com/BioMedTP/Pix2Point.orgで公開されています。

関連論文リスト

• Intuitive Axial Augmentation Using Polar-Sine-Based Piecewise Distortion for Medical Slice-Wise Segmentation [4.471795611968146]
  我々は,従来のデジタル画像とは別に,医用画像の特徴を再考し,認識する。 本稿では, より弾力性が高く, 放射線検査法に適合する医用別拡張アルゴリズムを提案する。 本手法は,医療従事者にとって直感的な設計と理解の容易さが特徴である。
  論文  参考訳（メタデータ） (2024-12-04T14:35:06Z)
• CurvNet: Latent Contour Representation and Iterative Data Engine for Curvature Angle Estimation [50.71992730453576]
  CurvNetは曲率角推定フレームワークである。 我々は、画像自己生成、自動アノテーション、自動選択を備えたデータエンジンを開発する。 提案手法は,最先端のコブ角推定性能を実現する。
  論文  参考訳（メタデータ） (2024-11-19T16:07:58Z)
• DenseSeg: Joint Learning for Semantic Segmentation and Landmark Detection Using Dense Image-to-Shape Representation [1.342749532731493]
  本稿では,ランドマークとセマンティックセグメンテーションの併用学習を可能にする画像と形状の濃密な表現を提案する。 本手法では,解剖学的対応の表現による任意のランドマークの抽出を直感的に行うことができる。
  論文  参考訳（メタデータ） (2024-05-30T06:49:59Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images [15.7026400415269]
  本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。 提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
  論文  参考訳（メタデータ） (2021-05-19T13:39:18Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
  脊椎に焦点をあてた新しいランドマーク検出法を提案する。 我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。 その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
  論文  参考訳（メタデータ） (2020-01-09T19:17:41Z)
• Residual Block-based Multi-Label Classification and Localization Network with Integral Regression for Vertebrae Labeling [4.867669606257232]
  既存の方法は、主に複数のニューラルネットワークの統合に基づいており、そのほとんどは、ガウス熱マップを用いて椎骨のセンチロイドを探索している。 本研究では,CTスキャンにおける脊椎座標のエンドツーエンド差分訓練について,頑健かつ高精度な自動椎体ラベル付けアルゴリズムを提案する。 提案手法は挑戦的なデータセット上で評価され,その結果は最先端の手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-01-01T09:16:10Z)

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。