論文の概要: Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2506.16592v1
• Date: Thu, 19 Jun 2025 20:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.250113
• Title: Hybrid Attention Network for Accurate Breast Tumor Segmentation in Ultrasound Images
• Title（参考訳）: 超音波画像における乳腺腫瘍の正確な郭清のためのハイブリットアテンションネットワーク
• Authors: Muhammad Azeem Aslam, Asim Naveed, Nisar Ahmed,
• Abstract要約: 病変分割のためのハイブリッドアテンションベースネットワークを提案する。 提案アーキテクチャでは,エンコーダ部に事前学習したDenseNet121を組み込んで,ロバストな特徴抽出を行う。 公開データセットの実験は、我々の手法が既存のアプローチより優れていることを示した。
• 参考スコア（独自算出の注目度）: 3.0040661953201475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast ultrasound imaging is a valuable tool for early breast cancer detection, but automated tumor segmentation is challenging due to inherent noise, variations in scale of lesions, and fuzzy boundaries. To address these challenges, we propose a novel hybrid attention-based network for lesion segmentation. Our proposed architecture integrates a pre-trained DenseNet121 in the encoder part for robust feature extraction with a multi-branch attention-enhanced decoder tailored for breast ultrasound images. The bottleneck incorporates Global Spatial Attention (GSA), Position Encoding (PE), and Scaled Dot-Product Attention (SDPA) to learn global context, spatial relationships, and relative positional features. The Spatial Feature Enhancement Block (SFEB) is embedded at skip connections to refine and enhance spatial features, enabling the network to focus more effectively on tumor regions. A hybrid loss function combining Binary Cross-Entropy (BCE) and Jaccard Index loss optimizes both pixel-level accuracy and region-level overlap metrics, enhancing robustness to class imbalance and irregular tumor shapes. Experiments on public datasets demonstrate that our method outperforms existing approaches, highlighting its potential to assist radiologists in early and accurate breast cancer diagnosis.
• Abstract（参考訳）: 乳房超音波検査は乳がんの早期発見に有用なツールであるが,乳がんの自動切除は本態性ノイズ,病変の規模,ファジィ境界が原因で困難である。 これらの課題に対処するために,病変分割のためのハイブリットアテンションベースネットワークを提案する。 提案アーキテクチャは,乳房超音波画像に適したマルチブランチアテンション強調デコーダを用いて,エンコーダ部に事前訓練したDenseNet121を組み込んで,ロバストな特徴抽出を行う。 このボトルネックには、グローバル空間注意(GSA)、位置エンコーディング(PE)、スケールドドット生産注意(SDPA)が含まれ、グローバルコンテキスト、空間関係、相対的な位置特徴を学習する。 空間的特徴拡張ブロック(SFEB)は、空間的特徴を洗練・拡張するためにスキップ接続に埋め込まれており、ネットワークは腫瘍領域により効果的に集中することができる。 Binary Cross-Entropy (BCE) と Jaccard Index を併用したハイブリッド損失関数は,ピクセルレベルの精度と領域レベルの重複度の両方を最適化し,クラス不均衡や不規則な腫瘍形状に対する堅牢性を向上する。 公衆データセットを用いた実験により,本手法は既存のアプローチよりも優れており,早期・正確な乳癌診断における放射線科医の支援の可能性を強調した。

関連論文リスト

• PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation [5.246262946799736]
  本研究では,PINNに基づくマルチスケール機能融合ネットワークを提案する。 ネットワークは、いくつかの構造的革新を通じて、効率的に統合し、グローバルにマルチスケールの機能をモデル化する。 このデコーダ部では,マルチスケール・フィーチャー・リファインメント・デコーダが採用され,マルチスケール・スーパービジョン機構と修正モジュールを組み合わせることで,セグメンテーション精度と適応性を大幅に向上する。
  論文  参考訳（メタデータ） (2024-12-22T09:16:00Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• AResNet-ViT: A Hybrid CNN-Transformer Network for Benign and Malignant Breast Nodule Classification in Ultrasound Images [4.378181181541931]
  CNNとTransformerを統合した深層学習ネットワークが,超音波画像における良性および悪性乳腺病変の分類のために提案されている。 このネットワークは、局所的特徴抽出にデュアルブランチアーキテクチャを採用し、局所的特徴抽出におけるCNNの利点をフル活用する。 グローバルな特徴抽出ブランチは、組織全体の形状、境界、および周囲の組織との関係をキャプチャできるマルチヘッド自己注意型ViTネットワークを利用する。
  論文  参考訳（メタデータ） (2024-07-27T18:18:45Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation [13.897849323634283]
  乳がんは、世界の女性の健康を危険にさらす一般的ながんの1つである。 CNNは超音波画像から乳腺腫瘍を分離するために提案されている。 乳腺腫瘍セグメンテーションのための選択的カーネル・コンボリューションを改良した。
  論文  参考訳（メタデータ） (2022-11-05T14:15:29Z)
• 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)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• 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。