arXiv:2404.13185

Unlocking Robust Segmentation Across All Age Groups via Continual Learning

Chih-Ying Liu, Jeya Maria Jose Valanarasu, Camila Gonzalez, Curtis Langlotz, Andrew Ng, Sergios Gatidis

제출 2024-04-19

원문 초록

Most deep learning models in medical imaging are trained on adult data with unclear performance on pediatric images. In this work, we aim to address this challenge in the context of automated anatomy segmentation in whole-body Computed Tomography (CT). We evaluate the performance of CT organ segmentation algorithms trained on adult data when applied to pediatric CT volumes and identify substantial age-dependent underperformance. We subsequently propose and evaluate strategies, including data augmentation and continual learning approaches, to achieve good segmentation accuracy across all age groups. Our best-performing model, trained using continual learning, achieves high segmentation accuracy on both adult and pediatric data (Dice scores of 0.90 and 0.84 respectively).

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20142v1cs.CV공통 태그 Anatomy, Data Augmentation

현장(point-of-care) 유도 배치를 위한 실시간 EEG 캡 전극 검출

Real-Time EEG Cap Electrode Detection for Guided Point-of-Care Placement

우리는 라이브 웹캠 스트림에서 EEG 캡 전극을 검출하고 해부학적 배치를 실시간으로 검증하는 2단계 비전 시스템을 제안한다. 단일 클래스 YOLO 검출기가 전극을 위치 특정하고, 기하학적 단계가 얼굴 랜드마크로부터 각 검출 결과를 명명된 10-20 역할에 할당한다. 임상적으로 검증된 Small/Medium/Large 캡을 착용한 5명의 피험자에 대해 피험자 분리(subject-disjoint) leave-one-subject-out(LOSO) 교차 검증으로 평가한 결과, 검출기는 5개의 홀드아웃 fold에서 mAP@.5 = 0.94 +/- 0.07(pooled 0.96)를 달성한다. 전용 leave-one-cap-out 축에서 피험자와 무관하게 특정 캡의 모든 프레임을 홀드아웃하면 Medium과 Large의 mAP@.5는 LOSO 대비 0.01 이내(0.97, 0.97)인 반면 Small은 0.72 +/- 0.28로 하락하며, 이 격차는 캡 스타일보다 피험자 숙련도와 교란(confound)된다. 기하학적 증강(rotation, perspective, mixup)은 추론 비용 없이 평면 내 롤(in-plane-roll) 견고성과 측두(temporal) 전극 재현율을 향상시키며, 랜드마크 기반 머리 크롭(head crop)은 사용 가능 거리 범위를 확장하여 겉보기 스케일(apparent scale) 0.6배에서 mAP@.5를 0.23에서 0.45로 끌어올린다. 컴팩트한 모바일 후보 백본(YOLOv10n)은 640 px에서 범용 CPU 상에서 검출기를 실시간 처리량(19 FPS)으로 유지한다.

arXiv:2607.11287v1cs.CV공통 태그 Anatomy, Data Augmentation

포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크: 휴먼-인-더-루프 데이터 어노테이션, 비전 파운데이션 모델 개발, 다기관 평가 및 임상 검증

A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

전산화 단층촬영(CT)으로부터 심장 구조물을 포괄적으로 정량화하는 작업은 데이터 가용성이 아닌 측정의 확장성에 의해 제한되어 있어, 임상 현장에서의 일상적 활용이 비현실적이다. 본 연구에서는 휴먼-인-더-루프 어노테이션 파이프라인, 심장 CT 증강 기법, 그리고 60,000개의 레이블 없는 심장 CT 스캔으로 사전학습된 자기지도(self-supervised) 파운데이션 모델을 결합한 포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크를 제시한다. 이 방법을 통해 현재까지 구축된 것 중 가장 크고 포괄적인 전문가 어노테이션 심장 CT 분할 데이터셋을 구성하였으며, 총 1,598개 케이스와 14가지 심장 구조물로 이루어져 있다(학습용 1,000개, 외부 테스트 세트 598개). 다섯 개의 외부 데이터셋에서 본 프레임워크는 기존 오픈소스 도구보다 더 정확하고 포괄적으로 모든 구조물을 분할하였다. 자기지도 사전학습은 레이블링 효율성을 향상시켰으며, 저데이터 환경에서의 외부 평가에서 가장 두드러진 성능 향상이 관찰되었다. 합성곱, 트랜스포머, 상태 공간 아키텍처에 걸친 벤치마킹에서 유사한 성능이 나타나, 정확도를 결정하는 요인이 아키텍처가 아닌 데이터 품질과 사전학습임을 시사하였다. 본 프레임워크는 집단 수준의 표현형 분석으로 확장되었으며, 분할된 해부 구조는 인구통계학적 변수 이상으로 심실 기능 및 질병 중증도에 관한 기능적으로 유의미한 정보를 담고 있음이 확인되었다. 사람 레이블이 포함된 최대 규모의 데이터셋, 코드, 모델 가중치, CT 증강 라이브러리, 소프트웨어를 공개함으로써, 본 연구는 일상적으로 획득된 CT 스캔으로부터의 기회적 심장 표현형 분석을 위한 재현 가능한 기반을 제공한다.

arXiv:2609.27901v2cs.CV공통 태그 Anatomy

모든 모달리티는 동등하지만, 비디오는 더 동등하다: 공동 비디오 생성에서 크로스-어텐션 격차 줄이기

All modalities are equal, but video is more equal: Closing the Cross-Attention Gap in Joint Video Generation

비디오는 외형, 기하학, 모션, 시간적 변화를 포착하여 물리적 사건을 풍부하게 표현합니다. 3D 신체 모션이나 오디오와 같은 다른 모달리티(modality)는 동일한 사건의 더 좁은 측면만을 인코딩합니다. 본 연구에서는 공동 멀티모달 확산 트랜스포머(joint multimodal diffusion transformer)가 교차 모달 대응(cross-modal correspondence)에서 그에 상응하는 비대칭성을 보임을 발견했습니다. 즉, 동반 모달리티는 비디오에 대해 강한 대응성을 형성하지만, 이들이 비디오를 제약하는 상호 대응성(reciprocal correspondence)은 실질적으로 훨씬 약하게 유지됩니다. 저자들은 두 방향을 비디오 토큰(token)에 대한 비교 가능한 대응 분포로 표현하고, 이들의 불일치를 상호 대응 격차(reciprocal correspondence gap)로 정의합니다. 또한 상호 교차 모달 어텐션 정규화(Reciprocal Cross-modal Attention Regularization)를 뜻하는 RecCAR를 제안합니다. 이는 이미 잘 확립된 비디오-모달리티 간 대응을 고정된 참조 기준으로 삼고, 더 취약한 모달리티-비디오 간 대응을 이에 맞춰 정렬하는 KL 정규화(regularizer) 기법입니다. 공동 비디오-모션 및 비디오-오디오 생성 전반에 걸쳐, RecCAR는 전반적인 생성을 개선하면서도 Human Anatomy 점수를 0.69에서 0.75로 향상시키고 오디오-비디오 비동기화(desynchronization)를 0.804에서 0.752로 감소시킵니다

토론

이 논문과 연결된 포럼 글이 아직 없습니다.