論文の概要: MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts
- arxiv url: http://arxiv.org/abs/2503.14355v1
- Date: Tue, 18 Mar 2025 15:39:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:15:43.641568
- Title: MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts
- Title（参考訳）: MAST-Pro: 知識駆動型プロンプトによるパンチューブの適応セグメンテーションのための動的ミックス-オブ-エクササイズ
- Authors: Runqi Meng, Sifan Song, Pengfei Jin, Yujin Oh, Lin Teng, Yulin Wang, Yiqun Sun, Ling Chen, Xiang Li, Quanzheng Li, Ning Guo, Dinggang Shen,
- Abstract要約: MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
- 参考スコア（独自算出の注目度）: 54.915060471994686
- License:
- Abstract: Accurate tumor segmentation is crucial for cancer diagnosis and treatment. While foundation models have advanced general-purpose segmentation, existing methods still struggle with: (1) limited incorporation of medical priors, (2) imbalance between generic and tumor-specific features, and (3) high computational costs for clinical adaptation. To address these challenges, we propose MAST-Pro (Mixture-of-experts for Adaptive Segmentation of pan-Tumors with knowledge-driven Prompts), a novel framework that integrates dynamic Mixture-of-Experts (D-MoE) and knowledge-driven prompts for pan-tumor segmentation. Specifically, text and anatomical prompts provide domain-specific priors, guiding tumor representation learning, while D-MoE dynamically selects experts to balance generic and tumor-specific feature learning, improving segmentation accuracy across diverse tumor types. To enhance efficiency, we employ Parameter-Efficient Fine-Tuning (PEFT), optimizing MAST-Pro with significantly reduced computational overhead. Experiments on multi-anatomical tumor datasets demonstrate that MAST-Pro outperforms state-of-the-art approaches, achieving up to a 5.20% improvement in average DSC while reducing trainable parameters by 91.04%, without compromising accuracy.
- Abstract（参考訳）: 癌の診断と治療には正確な腫瘍分節が不可欠である。
基礎モデルには高度な汎用的セグメンテーションがあるが, 既存の手法では, (1) 医学的先験の限定, (2) 総合的特徴と腫瘍特異的特徴の不均衡, (3) 臨床適応のための高い計算コストに苦慮している。
これらの課題に対処するために、動的混合試験(D-MoE)とパン腫瘍分離のための知識駆動的プロンプトを統合した新しいフレームワークであるMAST-Pro(Mixture-of-experts for Adaptive Segmentation of Pan-Tumors with knowledge-driven Prompts)を提案する。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くために、ドメイン固有の事前情報を提供し、一方D-MoEは、汎用的および腫瘍特異的な特徴学習のバランスをとる専門家を動的に選択し、多様な腫瘍タイプ間のセグメンテーション精度を向上させる。
効率を向上させるため,パラメータ効率の良いファインチューニング(PEFT)を採用し,計算オーバーヘッドを大幅に削減したMAST-Proを最適化した。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減しつつ、平均DSCの最大5.20%の改善を実現している。
関連論文リスト
- Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning [5.062500255359342]
自動脳腫瘍分割のためのResUNetアーキテクチャを提案する。
EfficientNetB0エンコーダは、事前訓練された機能を活用して、機能の抽出効率を向上させる。
チャネルアテンション機構は、腫瘍関連の特徴に焦点を絞るモデルを強化する。
論文 参考訳（メタデータ） (2025-01-19T23:58:16Z) - Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors [2.104687387907779]
トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。
この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。
本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
論文 参考訳（メタデータ） (2024-12-11T09:52:01Z) - Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。
BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文 参考訳（メタデータ） (2024-12-05T12:00:00Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳（メタデータ） (2024-03-09T13:37:02Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner
UNet [0.29998889086656577]
本研究は,3つの挑戦的データセットにまたがる腫瘍サブリージョンの分割におけるマルチプランナーU-Net(MPUnet)アプローチの有効性を評価する。
論文 参考訳（メタデータ） (2024-01-12T10:46:19Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-14T15:29:32Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。