論文の概要: Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation

• arxiv url: http://arxiv.org/abs/2506.23086v1
• Date: Sun, 29 Jun 2025 04:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.711005
• Title: Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation
• Title（参考訳）: 周波数強調多粒度コンテキストネットワークによる効率的な動詞分割
• Authors: Jian Shi, Tianqi You, Pingping Zhang, Hongli Zhang, Rui Xu, Haojie Li,
• Abstract要約: 椎骨分割精度を向上させるために,周波数強調多粒性コンテキストネットワーク(FMC-Net)を導入する。 高周波成分に対しては,HFR(High- frequency Feature Refinement)を適用し,特徴の顕著さを増幅する。 低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約する。
• 参考スコア（独自算出の注目度）: 33.99418884128739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated and accurate segmentation of individual vertebra in 3D CT and MRI images is essential for various clinical applications. Due to the limitations of current imaging techniques and the complexity of spinal structures, existing methods still struggle with reducing the impact of image blurring and distinguishing similar vertebrae. To alleviate these issues, we introduce a Frequency-enhanced Multi-granularity Context Network (FMC-Net) to improve the accuracy of vertebrae segmentation. Specifically, we first apply wavelet transform for lossless downsampling to reduce the feature distortion in blurred images. The decomposed high and low-frequency components are then processed separately. For the high-frequency components, we apply a High-frequency Feature Refinement (HFR) to amplify the prominence of key features and filter out noises, restoring fine-grained details in blurred images. For the low-frequency components, we use a Multi-granularity State Space Model (MG-SSM) to aggregate feature representations with different receptive fields, extracting spatially-varying contexts while capturing long-range dependencies with linear complexity. The utilization of multi-granularity contexts is essential for distinguishing similar vertebrae and improving segmentation accuracy. Extensive experiments demonstrate that our method outperforms state-of-the-art approaches on both CT and MRI vertebrae segmentation datasets. The source code is publicly available at https://github.com/anaanaa/FMCNet.
• Abstract（参考訳）: 3次元CTおよびMRI画像における個々の椎骨の自動的,正確な分節化は,様々な臨床応用に不可欠である。 現在の画像技術の限界と脊椎構造の複雑さのため、既存の方法は画像のぼかしの影響を減らし、類似の椎骨を区別するのに苦慮している。 これらの問題を緩和するために、椎骨分割の精度を向上させるために、周波数強調多重粒度コンテキストネットワーク(FMC-Net)を導入する。 具体的には、ぼやけた画像の特徴歪みを低減するために、ロスレスダウンサンプリングにウェーブレット変換を適用する。 分解された高周波数成分と低周波成分は別々に処理される。 高周波成分に対して,重要特徴の出現を増幅し,ノイズを除去し,ぼやけた画像の微細な詳細を復元するためにHFRを適用した。 低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約し、空間的に変化するコンテキストを抽出し、長い範囲の依存関係を線形複雑にキャプチャする。 多粒度コンテキストの利用は、類似した脊椎を識別し、セグメンテーションの精度を向上させるために不可欠である。 広範囲な実験により,CTとMRIの椎骨分割データセットにおける最先端のアプローチよりも優れた結果が得られた。 ソースコードはhttps://github.com/anaanaa/FMCNetで公開されている。

関連論文リスト

• Denoising via Repainting: an image denoising method using layer wise medical image repainting [6.195127726026568]
  異方性ガウスフィルタとプログレッシブベジエパス再描画を統合したマルチスケール手法を提案する。 本手法は, 構造的詳細を保存しながら, 騒音を緩和するスケールスペースピラミッドを構築する。 複数のMRIデータセットに対する実験結果は、競合する手法よりもPSNRとSSIMが一貫した改善を示した。
  論文  参考訳（メタデータ） (2025-03-11T06:54:37Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• Joint Frequency and Image Space Learning for MRI Reconstruction and Analysis [7.821429746599738]
  本稿では、周波数空間データから再構成するための汎用的なビルディングブロックとして、周波数と画像の特徴表現を明示的に組み合わせたニューラルネットワーク層が利用できることを示す。 提案した共同学習方式により、周波数空間に固有のアーティファクトの補正と画像空間表現の操作を両立させ、ネットワークのすべての層でコヒーレントな画像構造を再構築することができる。
  論文  参考訳（メタデータ） (2020-07-02T23:54:46Z)

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。