論文の概要: Effects of Deep Learning Architecture and Pretraining on Automated Vocal Fold Segmentation in Ex Vivo High-Speed Phonation Images

• arxiv url: http://arxiv.org/abs/2610.37860v1
• Date: Tue, 27 Oct 2026 19:05:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:29:50.502208
• Title: Effects of Deep Learning Architecture and Pretraining on Automated Vocal Fold Segmentation in Ex Vivo High-Speed Phonation Images
• Title（参考訳）: エキシビボ高速音像における深層学習と事前学習が声帯自動分割に及ぼす影響
• Abstract要約: 本研究では,ディープラーニングアーキテクチャとイメージネット事前学習が,高速画像における自動声帯分割にどのように影響するかを評価する。 我々の知る限り、2次元声門内PIVにおける声帯分割に深層学習を適用した最初の研究である。
• 参考スコア（独自算出の注目度）: 0.3653697742557466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-dimensional (2D) intraglottal particle image velocimetry (PIV) of ex vivo phonation experiments quantifies vocal fold medial surface dynamics and the intraglottal flow field. However, it relies on manual segmentation because residual glare, low tissue-to-flow contrast, and tracer-particle speckle obscure the vocal fold boundaries. This study assessed how deep learning architecture and ImageNet pretraining affect automated vocal fold segmentation in these high-speed images. Four established architectures from three categories were benchmarked: the convolutional neural network (CNN)-based UNet and UNet++, the hybrid CNN-transformer-based TransUNet, and the pure transformer-based Swin-UNet, the latter two trained from scratch and from ImageNet-pretrained weights. Using 16,344 expert-annotated images from 227 phonation trials of excised canine larynges, the six pipelines were trained with five seeds under a standardized protocol and compared on 50 held-out test trials using trial-level Wilcoxon signed-rank tests with Holm correction. Mean Dice similarity coefficient (DSC) spanned only 0.9734 to 0.9764, so the pipelines differed mainly in boundary fidelity. Pretraining significantly improved the boundary F1 score (BF1) and 95th percentile Hausdorff distance (HD95) of the TransUNet and Swin-UNet, about four times more for the Swin-UNet. Once pretrained, the two performed similarly, although the Swin-UNet has only about a quarter of the trainable parameters. Without pretraining, the TransUNet had a significantly higher BF1 and a lower HD95 than both CNN-based pipelines and about half their share of images with HD95 > 50 pixels. To our knowledge, this is the first study to apply deep learning to vocal fold segmentation in 2D intraglottal PIV, and it offers a reference framework for segmenting experimental flow-visualization images with noisy optical conditions or highly deformable objects.
• Abstract（参考訳）: 2次元(2次元)声門内粒子画像(PIV)は,声門内流れ場と声門内流れ場を定量的に計測する。 しかし, 声帯境界の曖昧さ, 組織-血流コントラストの低さ, およびトレーサー-粒子スペックルにより, 手動のセグメンテーションに依存している。 本研究では,これらの高速画像において,ディープラーニングアーキテクチャとイメージネット事前学習が自動声帯分割に与える影響を評価する。 3つのカテゴリから確立されたアーキテクチャとして、畳み込みニューラルネットワーク(CNN)ベースのUNetとUNet++、ハイブリッドCNNトランスフォーマーベースのTransUNet、純粋なトランスフォーマーベースのSwin-UNetの4つがベンチマークされた。 16,344人の専門家による犬用ラウンジの227回の発声試験から得られた16,344枚の画像を用いて、6本のパイプラインを標準化されたプロトコルで5つの種で訓練し、ホルム補正を用いた試験レベルのウィルコクソンサインランク試験による50回の保持試験と比較した。 平均Dice類似係数(DSC)は0.9734から0.9764の範囲でしかなく、パイプラインは主に境界密度が異なる。 プレトレーニングにより、TransUNetとSwin-UNetのF1スコア(BF1)と95%のHausdorff距離(HD95)が大幅に改善され、Swin-UNetの約4倍になった。 Swin-UNetはトレーニング可能なパラメータの約4分の1しか持っていない。 事前トレーニングなしでは、TransUNetはCNNベースのパイプラインよりもBF1とHD95が著しく高く、HD95 > 50ピクセルのイメージの約半分を占めていた。 我々の知る限り、2次元声門内PIVにおける声帯分割にディープラーニングを適用した最初の研究であり、ノイズの多い光学的条件や高度に変形可能な物体で実験的なフロー視覚像をセグメント化するための参照フレームワークを提供する。

関連論文リスト

• Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification [0.0]
  本研究では, UCSF/Lietmanコレクションから得られた1,546枚の画像を用いて, Trachomatous Inflammation-Follicular (TF) のバイナリ分類の制御評価を行った。 DINOv2 ViT-B/14に対する4つの軽量適応機構の評価を行った。 DINOv2とECAは91.66 +/-0.97%の精度、90.69 +/- 1.10%のマクロF1、96.06 +/- 0.71%のAUCを得た。
  論文  参考訳（メタデータ） (2026-09-20T19:30:51Z)
• Synthetic Leprosy Image Generation Using Mask-Conditioned Latent Diffusion and Transfer Learning from Large Chronic Wound Datasets [0.0]
  無視された熱帯病に対する機械学習は、アルゴリズムではなくデータによって制限される。 大量の慢性創傷写真を訓練したモデルがこの低データ体制に移行するかどうかを問う。 約150人の764枚の画像から得られた708枚のレプロシー画像とマスクのペアについて、このモデルを微調整する。
  論文  参考訳（メタデータ） (2026-09-01T10:59:06Z)
• Vision Transformers for Kidney Stone Image Classification: A Comparative Study with CNNs [1.6273083168563973]
  本研究では,視覚変換器(ViT)とCNNモデルの比較分析を行った。 ImageNet-21kで事前訓練されたViTベースモデルは、複数の撮像条件で一貫してResNet50ベースラインを上回った。
  論文  参考訳（メタデータ） (2025-08-19T02:38:59Z)
• Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
  REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。 偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。 本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T08:29:18Z)
• Label-efficient multi-organ segmentation with a diffusion model [10.470918676663405]
  我々は,CT多臓器分割のための事前学習拡散モデルから知識伝達を用いたラベル効率の高いフレームワークを提案する。 ファインチューニングでは、線形分類と微調整デコーダという2つの微調整戦略を用いてセグメンテーション性能を向上させる。 マルチオーガナイズのための最先端手法と比較して,本手法はFLARE 2022データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• BEVT: BERT Pretraining of Video Transformers [89.08460834954161]
  本稿では,映像表現学習を空間表現学習と時間ダイナミクス学習に分離するBEVTを紹介する。 我々は、BEVTが非常に有望な結果を得る3つの挑戦的なビデオベンチマークについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-12-02T18:59:59Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。