論文の概要: DM-SegNet: Dual-Mamba Architecture for 3D Medical Image Segmentation with Global Context Modeling

• arxiv url: http://arxiv.org/abs/2506.05297v1
• Date: Thu, 05 Jun 2025 17:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.870347
• Title: DM-SegNet: Dual-Mamba Architecture for 3D Medical Image Segmentation with Global Context Modeling
• Title（参考訳）: DM-SegNet:グローバルコンテキストモデリングによる3次元医用画像分割のためのデュアルマンバアーキテクチャ
• Authors: Hangyu Ji,
• Abstract要約: 本稿では,Dual-MambaアーキテクチャであるDM-SegNetについて述べる。 中心となるイノベーションは、解剖学的空間コヒーレンスを維持するために4方向の3Dスキャンを利用する4方向空間マンバモジュールである。 2つの臨床的に有意なベンチマークの大規模な評価は、DM-SegNetの有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D medical image segmentation demands architectures capable of reconciling global context modeling with spatial topology preservation. While State Space Models (SSMs) like Mamba show potential for sequence modeling, existing medical SSMs suffer from encoder-decoder incompatibility: the encoder's 1D sequence flattening compromises spatial structures, while conventional decoders fail to leverage Mamba's state propagation. We present DM-SegNet, a Dual-Mamba architecture integrating directional state transitions with anatomy-aware hierarchical decoding. The core innovations include a quadri-directional spatial Mamba module employing four-directional 3D scanning to maintain anatomical spatial coherence, a gated spatial convolution layer that enhances spatially sensitive feature representation prior to state modeling, and a Mamba-driven decoding framework enabling bidirectional state synchronization across scales. Extensive evaluation on two clinically significant benchmarks demonstrates the efficacy of DM-SegNet: achieving state-of-the-art Dice Similarity Coefficient (DSC) of 85.44% on the Synapse dataset for abdominal organ segmentation and 90.22% on the BraTS2023 dataset for brain tumor segmentation.
• Abstract（参考訳）: 正確な3次元医用画像セグメンテーションは,グローバルなコンテキストモデリングと空間的トポロジ保存を両立させるアーキテクチャを必要とする。 Mambaのようなステートスペースモデル(SSM)はシーケンスモデリングの可能性を示しているが、既存の医療用SSMはエンコーダとデコーダの非互換性に悩まされている。 本稿では,Dual-MambaアーキテクチャであるDM-SegNetについて述べる。 中心となるイノベーションは、解剖学的空間コヒーレンスを維持するために4方向の3Dスキャンを利用する4方向空間マンバモジュール、状態モデリングに先立って空間的に敏感な特徴表現を強化するゲート空間畳み込み層、スケールをまたいだ双方向状態同期を可能にするマンバ駆動デコーディングフレームワークである。 DM-SegNetは、腹部臓器のSynapseデータセットで85.44%、脳腫瘍のBraTS2023データセットで90.22%、最先端のDice similarity Coefficient(DSC)を達成している。

関連論文リスト

• TK-Mamba: Marrying KAN with Mamba for Text-Driven 3D Medical Image Segmentation [22.62310549476759]
  3次元画像分割は臨床診断と治療に不可欠である。 CNNやTransformerのような従来の単一モダリティネットワークは、計算の非効率性と制約付きコンテキストモデリングによって制限されることが多い。 本稿では,Mamba と Kolmogorov-Arnold Networks (KAN) を長周期モデリングのための効率的なバックボーンとして活用する,新しいマルチモーダルフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T05:41:55Z)
• ABS-Mamba: SAM2-Driven Bidirectional Spiral Mamba Network for Medical Image Translation [20.242887183708653]
  ABS-Mambaはオーガニック・アウェア・セマンティックな表現のための新しいアーキテクチャである。 CNNは、モダリティ固有のエッジとテクスチャの詳細を保存する。 効率的な長距離および短距離機能依存のためのMambaの選択的な状態空間モデリング。
  論文  参考訳（メタデータ） (2025-05-12T15:51:15Z)
• UniMamba: Unified Spatial-Channel Representation Learning with Group-Efficient Mamba for LiDAR-based 3D Object Detection [64.65405058535262]
  LiDAR 3D検出の最近の進歩は、ポイントクラウド空間からグローバルな依存関係をキャプチャするTransformerベースのフレームワークの有効性を示している。 トランスフォーマーのかなりの数の3Dボクセルと二次的な複雑さのため、トランスフォーマーに供給する前に複数のシーケンスがグループ化され、受容野が制限される。 2次元視覚タスクの分野で達成された状態空間モデル(SSM)の印象的な性能に触発されて、我々は新しい統一マンバ(UniMamba)を提案する。 特に、UniMambaブロックは、主にローカリティモデリング、Zオーダーシリアライゼーション、局所グローバルシーケンシャルアグリゲータで構成されている。
  論文  参考訳（メタデータ） (2025-03-15T06:22:31Z)
• COMMA: Coordinate-aware Modulated Mamba Network for 3D Dispersed Vessel Segmentation [5.716698177683792]
  コーディネート対応変調マンバネットワーク(COMMA)について紹介する。 これまでで最大規模の3Dコンテナデータセットである570件のデータセットを手作業でラベル付けしました。 COMMAを6つのデータセットで評価し,2つの画像モダリティと5種類の血管組織について検討した。
  論文  参考訳（メタデータ） (2025-03-04T06:45:10Z)
• VM-DDPM: Vision Mamba Diffusion for Medical Image Synthesis [0.8111815974227898]
  状態空間モデル(SSM)に基づくビジョンマンバDDPM(VM-DDPM)を提案する。 我々の知る限り、これはSSM-CNNハイブリッドアーキテクチャに基づく最初の医用画像合成モデルである。 ACDC、BraTS2018、ChestXRayの3つの異なるスケールのデータセットに対する実験的な評価は、VM-DDPMが最先端のパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2024-05-09T10:41:18Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)

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。