論文の概要: UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2408.00273v2
• Date: Tue, 10 Jun 2025 19:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:01.470994
• Title: UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation
• Title（参考訳）: UKAN-EP : 3次元多モードMRI脳腫瘍切片の効率的な注意とピラミッド凝集によるU-KANの増強
• Authors: Yanbing Chen, Tianze Tang, Taehyo Kim, Hai Shu,
• Abstract要約: UKAN-EPは、マルチモーダルMRI脳腫瘍セグメンテーションのためのオリジナルの2D U-KANモデルの新規な3D拡張である。 UKAN-EPは、計算資源を著しく少なくしながら、より優れたセグメンテーション性能を達成する。
• 参考スコア（独自算出の注目度）: 1.7582682214679273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gliomas are among the most common malignant brain tumors and are characterized by considerable heterogeneity, which complicates accurate detection and segmentation. Multi-modal MRI is the clinical standard for glioma imaging, but variability across modalities and high computational complexity hinder effective automated segmentation. In this paper, we propose UKAN-EP, a novel 3D extension of the original 2D U-KAN model for multi-modal MRI brain tumor segmentation. While U-KAN integrates Kolmogorov-Arnold Network (KAN) layers into a U-Net backbone, UKAN-EP further incorporates Efficient Channel Attention (ECA) and Pyramid Feature Aggregation (PFA) modules to enhance inter-modality feature fusion and multi-scale feature representation. We also introduce a dynamic loss weighting strategy that adaptively balances the Cross-Entropy and Dice losses during training. We evaluate UKAN-EP on the 2024 BraTS-GLI dataset and compare it against strong baselines including U-Net, Attention U-Net, and Swin UNETR. Results show that UKAN-EP achieves superior segmentation performance while requiring substantially fewer computational resources. An extensive ablation study further demonstrates the effectiveness of ECA and PFA, as well as the limited utility of self-attention and spatial attention alternatives. Code is available at https://github.com/TianzeTang0504/UKAN-EP.
• Abstract（参考訳）: グリオーマは最も一般的な悪性脳腫瘍の1つであり、正確な検出とセグメンテーションを複雑にする相当な異種性によって特徴付けられる。 マルチモーダルMRIはグリオーマ画像診断における臨床標準であるが、モダリティと高い計算複雑性の変動は、効果的な自動セグメンテーションを妨げている。 本稿では,マルチモーダルMRI脳腫瘍セグメンテーションのためのオリジナル2次元U-KANモデルの3次元拡張であるUKAN-EPを提案する。 U-KANはKAN(Kolmogorov-Arnold Network)レイヤをU-Netのバックボーンに統合するが、UKAN-EPにはECA(Efficient Channel Attention)とPFA(Praamid Feature Aggregation)モジュールが組み込まれ、モジュール間フィーチャの融合とマルチスケール特徴表現が強化されている。 また、トレーニング中にクロスエントロピーとディース損失を適応的にバランスさせる動的損失重み付け戦略を導入する。 2024 BraTS-GLIデータセット上でUKAN-EPを評価し,U-Net,Attention U-Net,Swin UNETRなどの強力なベースラインと比較した。 その結果,UKAN-EPのセグメンテーション性能は良好であり,計算資源は極めて少ないことがわかった。 広範囲にわたるアブレーション研究により、ECAとPFAの有効性がさらに証明され、また自己注意と空間的注意の代替手段の限界が示された。 コードはhttps://github.com/TianzeTang0504/UKAN-EPで入手できる。

関連論文リスト

• Performance Analysis of Deep Learning Models for Femur Segmentation in MRI Scan [5.5193366921929155]
  我々は3つのCNNベースモデル(U-Net, Attention U-Net, U-KAN)と1つのトランスフォーマーベースモデルSAM 2の性能評価と比較を行った。 このデータセットは11,164個のMRIスキャンと大腿骨領域の詳細なアノテーションから構成されている。 注意点U-Netは全体のスコアが最も高く、U-KANは興味の少ない解剖学的領域において優れたパフォーマンスを示した。
  論文  参考訳（メタデータ） (2025-04-05T05:47:56Z)
• Y-CA-Net: A Convolutional Attention Based Network for Volumetric Medical Image Segmentation [47.12719953712902]
  差別的なローカル機能は、注目ベースのVSメソッドのパフォーマンスの鍵となるコンポーネントである。 コンボリューションエンコーダ分岐をトランスフォーマーバックボーンに組み込んで,局所的特徴と大域的特徴を並列に抽出する。 Y-CT-Netは、複数の医療セグメンテーションタスクにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-10-01T18:50:45Z)
• FAU-Net: An Attention U-Net Extension with Feature Pyramid Attention for Prostate Cancer Segmentation [1.8499314936771563]
  U-Netに基づくMRI画像における前立腺領域のセグメンテーションの深層学習手法を提案する。 提案したモデルは、7つの異なるU-Netアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2023-09-04T02:54:58Z)
• Cross-Modal Fine-Tuning: Align then Refine [83.37294254884446]
  ORCAはクロスモーダルな微調整フレームワークであり、単一の大規模事前訓練モデルの適用範囲を様々に拡張する。 ORCAは12のモダリティから60以上のデータセットを含む3つのベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-11T16:32:28Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• A Comparative Study on 1.5T-3T MRI Conversion through Deep Neural Network Models [0.0]
  1.5T MRIから脳の3TライクなMR画像を生成するための、多くのディープニューラルネットワークモデルの能力について検討する。 本研究は,脳内MRI変換のための複数の深層学習ソリューションを評価するための最初の研究である。
  論文  参考訳（メタデータ） (2022-10-12T16:14:42Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• R2U3D: Recurrent Residual 3D U-Net for Lung Segmentation [17.343802171952195]
  本稿では,3次元肺分割作業のための新しいモデルであるRecurrent Residual 3D U-Net(R2U3D)を提案する。 特に,提案モデルでは,U-Netに基づくRecurrent Residual Neural Networkに3次元畳み込みを組み込む。 提案するR2U3Dネットワークは、公開データセットLUNA16に基づいてトレーニングされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-05T19:17:14Z)
• Meningioma segmentation in T1-weighted MRI leveraging global context and attention mechanisms [0.2624902795082451]
  髄膜腫は脳腫瘍の最も一般的なタイプであり、脳腫瘍の約30%を占める。 U-Netアーキテクチャに対する注意メカニズムの包含を提案する。 マルチスケール入力および深層監視コンポーネントの影響について検討した。
  論文  参考訳（メタデータ） (2021-01-19T16:40:53Z)
• Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound [59.97366727654676]
  3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。 米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。 本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:23:55Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。