論文の概要: A Reverse Mamba Attention Network for Pathological Liver Segmentation

• arxiv url: http://arxiv.org/abs/2502.18232v1
• Date: Sun, 23 Feb 2025 20:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:19:13.593620
• Title: A Reverse Mamba Attention Network for Pathological Liver Segmentation
• Title（参考訳）: 病理肝切除のための逆マンバ注意ネットワーク
• Authors: Jun Zeng, Ulas Bagci, Debesh Jha,
• Abstract要約: 本稿では、視覚状態空間モデルの能力を向上させる新しいアーキテクチャであるRMA-Mambaを紹介する。 Vision MambaとRMAのターゲット機能の改良を統合することで、アーキテクチャは複数のスケールにわたる優れた機能学習を実現する。 RMA-Mambaの病的肝セグメンテーション領域における効果を実証した。
• 参考スコア（独自算出の注目度）: 12.577749402843606
• License:
• Abstract: We present RMA-Mamba, a novel architecture that advances the capabilities of vision state space models through a specialized reverse mamba attention module (RMA). The key innovation lies in RMA-Mamba's ability to capture long-range dependencies while maintaining precise local feature representation through its hierarchical processing pipeline. By integrating Vision Mamba (VMamba)'s efficient sequence modeling with RMA's targeted feature refinement, our architecture achieves superior feature learning across multiple scales. This dual-mechanism approach enables robust handling of complex morphological patterns while maintaining computational efficiency. We demonstrate RMA-Mamba's effectiveness in the challenging domain of pathological liver segmentation (from both CT and MRI), where traditional segmentation approaches often fail due to tissue variations. When evaluated on a newly introduced cirrhotic liver dataset (CirrMRI600+) of T2-weighted MRI scans, RMA-Mamba achieves the state-of-the-art performance with a Dice coefficient of 92.08%, mean IoU of 87.36%, and recall of 92.96%. The architecture's generalizability is further validated on the cancerous liver segmentation from CT scans (LiTS: Liver Tumor Segmentation dataset), yielding a Dice score of 92.9% and mIoU of 88.99%. The source code of the proposed RMA-Mamba is available at https://github.com/JunZengz/RMAMamba.
• Abstract（参考訳）: RMA-Mambaは、視覚状態空間モデルの性能を、特殊なリバース・マンバ・アテンション・モジュール(RMA)を通して向上させる新しいアーキテクチャである。 重要なイノベーションは、RMA-Mambaが階層的な処理パイプラインを通じて正確なローカル特徴表現を維持しながら、長距離依存関係をキャプチャする能力にある。 Vision Mamba(VMamba)の効率的なシーケンスモデリングとRMAのターゲット機能の改良を統合することで、アーキテクチャは複数のスケールで優れた特徴学習を実現することができる。 この双対力学アプローチは計算効率を保ちながら複雑な形態素パターンの堅牢な処理を可能にする。 RMA-Mambaは, 病理組織学的肝セグメンテーションの困難領域(CT, MRIとも)において, 従来のセグメンテーションアプローチでは組織の変化が原因で失敗することが多い。 新たに導入されたT2強調MRIの肝硬変データセット(CirrMRI600+)で評価すると、RMA-MambaはDice係数92.08%、平均IoU87.36%、リコール92.96%で最先端のパフォーマンスを達成した。 このアーキテクチャの一般化性は、CTスキャン(LiTS: Liver tumor Segmentation dataset)から癌肝のセグメンテーションでさらに検証され、Diceスコアは92.9%、mIoUは88.99%である。 RMA-Mambaのソースコードはhttps://github.com/JunZengz/RMAMamba.comで公開されている。

関連論文リスト

• HCMA-UNet: A Hybrid CNN-Mamba UNet with Inter-Slice Self-Attention for Efficient Breast Cancer Segmentation [7.807738181550226]
  本研究は,乳癌の病変分割のための新しいハイブリットセグメンテーションネットワークHCMA-UNetを提案する。 我々のネットワークは軽量CNNバックボーンとMISMモジュールからなる。 我々の軽量モデルは2.87Mパラメータと126.44 GFLOPで優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-01-01T06:42:57Z)
• UNet++ and LSTM combined approach for Breast Ultrasound Image Segmentation [0.0]
  この研究は、LSTM層と自己保持機構を統合することで、UNet++アーキテクチャを充実させようとしている。 GTデータセットによるBUSIのデータ増大による提案手法の融合により、精度98.88%、特異度99.53%、精度95.34%、感度91.20%、F1スコア93.74、Dice係数92.74%が達成された。
  論文  参考訳（メタデータ） (2024-12-07T08:39:31Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Enhancing Global Sensitivity and Uncertainty Quantification in Medical Image Reconstruction with Monte Carlo Arbitrary-Masked Mamba [22.852768590511058]
  本稿では,共同医用画像再構成と不確実性推定のためのウェーブレット分解を用いたArbitrary-Masked MambaベースのモデルであるMambaMIRを紹介する。 新しいArbitrary Scan Masking (ASM) 機構は冗長な情報を「マスクアウト」し、さらなる不確実性推定のためにランダム性を導入する。 テクスチャのさらなる保存と知覚品質の向上のために,我々はMambaMIRへのウェーブレット変換を採用し,その変形を生成的逆数ネットワーク(MambaMIR-GAN)に基づいて探索する。
  論文  参考訳（メタデータ） (2024-05-27T21:04:43Z)
• Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
  我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。 より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。 我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
  論文  参考訳（メタデータ） (2024-05-08T11:09:24Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
  Decoupled Pyramid correlation Network (DPC-Net)を提案する。 注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
  論文  参考訳（メタデータ） (2022-05-26T07:31:29Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)

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。