論文の概要: Dual Attention Residual U-Net for Accurate Brain Ultrasound Segmentation in IVH Detection

• arxiv url: http://arxiv.org/abs/2505.17683v2
• Date: Tue, 10 Jun 2025 04:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 22:10:06.899665
• Title: Dual Attention Residual U-Net for Accurate Brain Ultrasound Segmentation in IVH Detection
• Title（参考訳）: IVH検出における高精度脳エコー分割のための二重注意残差U-Net
• Authors: Dan Yuan, Yi Feng, Ziyun Tang,
• Abstract要約: 心室内出血(IVH)は早産児の神経学的合併症である。 近年のディープラーニング手法は,コンピュータ支援による診断を約束する。 本稿では,2つの補完的注意機構を組み込んだResidual U-Netアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 5.77500692308611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intraventricular hemorrhage (IVH) is a severe neurological complication among premature infants, necessitating early and accurate detection from brain ultrasound (US) images to improve clinical outcomes. While recent deep learning methods offer promise for computer-aided diagnosis, challenges remain in capturing both local spatial details and global contextual dependencies critical for segmenting brain anatomies. In this work, we propose an enhanced Residual U-Net architecture incorporating two complementary attention mechanisms: the Convolutional Block Attention Module (CBAM) and a Sparse Attention Layer (SAL). The CBAM improves the model's ability to refine spatial and channel-wise features, while the SAL introduces a dual-branch design, sparse attention filters out low-confidence query-key pairs to suppress noise, and dense attention ensures comprehensive information propagation. Extensive experiments on the Brain US dataset demonstrate that our method achieves state-of-the-art segmentation performance, with a Dice score of 89.04% and IoU of 81.84% for ventricle region segmentation. These results highlight the effectiveness of integrating spatial refinement and attention sparsity for robust brain anatomy detection. Code is available at: https://github.com/DanYuan001/BrainImgSegment.
• Abstract（参考訳）: 心室内出血(IVH)は早産児の神経学的合併症であり,脳超音波(US)画像の早期かつ正確な検出が必要である。 近年のディープラーニング手法は、コンピュータ支援による診断を約束するが、局所的な空間的詳細と、脳解剖のセグメンテーションに欠かせないグローバルな文脈的依存関係の両方を捉えることは、依然として課題である。 本研究では,CBAM (Convolutional Block Attention Module) とSAL (Sparse Attention Layer) の2つの相補的注意機構を組み込んだResidual U-Netアーキテクチャを提案する。 CBAMは、空間的およびチャネル的特徴を洗練するモデルの能力を改善し、SALはデュアルブランチ設計を導入し、低信頼度クエリキーペアをスパースにフィルタリングしてノイズを抑えるとともに、密集した注意によって包括的な情報伝達が保証される。 Brain USデータセットの大規模な実験では、Diceスコアが89.04%、IoUが81.84%で、最先端のセグメンテーション性能が達成されている。 これらの結果は、頑健な脳解剖学的検出のための空間的精細化と注意間隔の統合の有効性を浮き彫りにした。 コードは、https://github.com/DanYuan001/BrainImgSegment.comで入手できる。

関連論文リスト

• BrainSegDMlF: A Dynamic Fusion-enhanced SAM for Brain Lesion Segmentation [39.74162517990082]
  脳画像における実質的な脳病変は、病変領域と正常な脳組織の間に不明瞭な境界を持つ高い異種性を示す。 単一スライスにおける小病変の同定は困難であり, 異常領域の正確な再現性セグメンテーション, 特徴記述は非常に複雑である。 既存の手法には次のような制限がある: 1) 診断に一般的に使用されるマルチモーダル情報を無視し、学習に単一モーダル情報のみに依存する。
  論文  参考訳（メタデータ） (2025-05-09T15:40:09Z)
• Bilateral Hippocampi Segmentation in Low Field MRIs Using Mutual Feature Learning via Dual-Views [0.0]
  低磁場MRIはよりアクセスしやすく、費用対効果が高いため、小児の鎮静は不要である。 低磁場MRIにおける両側海馬の自動セグメンテーションのための新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-23T02:00:07Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation [0.0]
  そこで我々は,脳腫瘍セグメンテーションのための新しいアテンションゲート(AGモデル)を提案する。 AGはディープ畳み込みニューラルネットワーク(CNN)に統合できる 我々は、エッジ検出器とアテンションゲート機構が、脳のセグメンテーションを0.78のIOUに到達させるのに十分な方法であることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:01:24Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。