論文の概要: Rethinking Brain Tumor Segmentation from the Frequency Domain Perspective

• arxiv url: http://arxiv.org/abs/2506.10142v1
• Date: Wed, 11 Jun 2025 19:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.420069
• Title: Rethinking Brain Tumor Segmentation from the Frequency Domain Perspective
• Title（参考訳）: 周波数領域から見た脳腫瘍切除の再考
• Authors: Minye Shao, Zeyu Wang, Haoran Duan, Yawen Huang, Bing Zhai, Shizheng Wang, Yang Long, Yefeng Zheng,
• Abstract要約: 本稿では,脳腫瘍の分節を周波数領域の観点から再考するハーモナイズド周波数融合ネットワーク(HFF-Net)を提案する。 腫瘍領域を包括的に特徴付けるため,MRI画像を低周波成分に分離する周波数領域分解(FDD)モジュールを開発した。 腫瘍境界に対する感受性をさらに高めるため,我々は重要な高周波の詳細を適応的に強調するAdaptive Laplacian Convolution (ALC)モジュールを導入する。
• 参考スコア（独自算出の注目度）: 22.83598714271789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise segmentation of brain tumors, particularly contrast-enhancing regions visible in post-contrast MRI (areas highlighted by contrast agent injection), is crucial for accurate clinical diagnosis and treatment planning but remains challenging. However, current methods exhibit notable performance degradation in segmenting these enhancing brain tumor areas, largely due to insufficient consideration of MRI-specific tumor features such as complex textures and directional variations. To address this, we propose the Harmonized Frequency Fusion Network (HFF-Net), which rethinks brain tumor segmentation from a frequency-domain perspective. To comprehensively characterize tumor regions, we develop a Frequency Domain Decomposition (FDD) module that separates MRI images into low-frequency components, capturing smooth tumor contours and high-frequency components, highlighting detailed textures and directional edges. To further enhance sensitivity to tumor boundaries, we introduce an Adaptive Laplacian Convolution (ALC) module that adaptively emphasizes critical high-frequency details using dynamically updated convolution kernels. To effectively fuse tumor features across multiple scales, we design a Frequency Domain Cross-Attention (FDCA) integrating semantic, positional, and slice-specific information. We further validate and interpret frequency-domain improvements through visualization, theoretical reasoning, and experimental analyses. Extensive experiments on four public datasets demonstrate that HFF-Net achieves an average relative improvement of 4.48\% (ranging from 2.39\% to 7.72\%) in the mean Dice scores across the three major subregions, and an average relative improvement of 7.33% (ranging from 5.96% to 8.64%) in the segmentation of contrast-enhancing tumor regions, while maintaining favorable computational efficiency and clinical applicability. Code: https://github.com/VinyehShaw/HFF.
• Abstract（参考訳）: 脳腫瘍の正確な分画、特に造影MRI(造影剤注射で強調される)で見られるコントラスト強調領域は、正確な臨床診断と治療計画に不可欠であるが、依然として困難である。 しかし, 複雑なテクスチャや方向変化などのMRI固有の腫瘍の特徴を十分に考慮していないため, 脳腫瘍領域のセグメンテーションにおいて, 顕著な性能低下がみられた。 そこで我々は,周波数領域の観点から脳腫瘍のセグメンテーションを再考するHFF-Net(Harmonized Frequency Fusion Network)を提案する。 腫瘍領域を包括的に特徴付けるため,MRI画像を低周波成分に分離し,スムーズな腫瘍輪郭と高周波成分を捕捉し,詳細なテクスチャと方向エッジをハイライトする周波数領域分解モジュールを開発した。 腫瘍境界に対する感度をさらに高めるために,動的に更新された畳み込みカーネルを用いて,重要な高周波の詳細を適応的に強調する適応ラプラシアン・コンボリューション(ALC)モジュールを導入する。 腫瘍の特徴を複数のスケールで効果的に融合するために,意味情報,位置情報,スライス情報を統合した周波数領域横断注意(FDCA)を設計する。 さらに、可視化、理論的推論、実験的分析を通じて周波数領域の改善を検証し、解釈する。 4つの公開データセットに対する大規模な実験により、HFF-Netは3つの主要領域にわたるDiceスコアの平均4.48\%(2.39\%から7.72\%)の平均相対的改善を達成し、コントラスト増強腫瘍領域のセグメンテーションにおいて7.33%(5.96%から8.64%)の平均相対的改善を達成し、良好な計算効率と臨床応用性を維持した。 コード:https://github.com/VinyehShaw/HFF。

関連論文リスト

• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  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。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• 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)
• Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images [9.252383213566947]
  超音波画像から乳腺腫瘍を分離する多レベルグローバル認識モジュール(MGPM)と境界誘導モジュール(BGM)で構成されるPBNetを提案する。 MGPMでは、単一レベル特徴写像におけるボクセル間の長距離空間依存性をモデル化し、次いで多レベル意味情報を融合する。 BGMでは,腫瘍の境界線を最大プールの希釈および浸食効果を用いて高レベルセマンティックマップから抽出する。
  論文  参考訳（メタデータ） (2023-10-23T07:21:02Z)
• Progressive Dual Priori Network for Generalized Breast Tumor Segmentation [5.003997324423131]
  DCE-MRI画像から乳腺腫瘍を分離するプログレッシブデュアルプリオリネットワーク(PDPNet)を提案する。 その結果, PDPNetのDSCとHD95は, それぞれ5.13%, 7.58%改善した。
  論文  参考訳（メタデータ） (2023-10-20T15:12:06Z)
• Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
  目的は前立腺がんの検出と診断のワークフローを改善することである。 最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
  論文  参考訳（メタデータ） (2023-08-09T01:38:58Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Large-Kernel Attention for 3D Medical Image Segmentation [14.76728117630242]
  本稿では,多臓器分割と腫瘍分割を正確に行うために,新しいLKアテンションモジュールを提案する。 畳み込みと自己注意の利点は、局所的な文脈情報、長距離依存、チャネル適応を含むLKアテンションモジュールで組み合わせられる。 モジュールはまた、計算コストを最適化するためにLK畳み込みを分解し、U-NetのようなFCNに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-07-19T16:32:55Z)
• 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)

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。