論文の概要: Dual-Attention U-Net++ with Class-Specific Ensembles and Bayesian Hyperparameter Optimization for Precise Wound and Scale Marker Segmentation

• arxiv url: http://arxiv.org/abs/2507.05314v1
• Date: Mon, 07 Jul 2025 13:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.262385
• Title: Dual-Attention U-Net++ with Class-Specific Ensembles and Bayesian Hyperparameter Optimization for Precise Wound and Scale Marker Segmentation
• Title（参考訳）: クラス固有アンサンブルとベイジアンハイパーパラメータ最適化を併用したデュアルアテンションU-Net++による高精度描画とスケールマーカセグメンテーション
• Authors: Daniel Cieślak, Miriam Reca, Olena Onyshchenko, Jacek Rumiński,
• Abstract要約: 本稿では,チャネルワイズ(SCSE)と空間アテンション機構を統合した,新しいデュアルアテンション型U-Net++アーキテクチャを提案する。 提案手法はF1スコア0.8640を達成し、複雑な医療セグメンテーションタスクに対する効果を実証した。
• 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 segmentation of wounds and scale markers in clinical images remainsa significant challenge, crucial for effective wound management and automatedassessment. In this study, we propose a novel dual-attention U-Net++ archi-tecture, integrating channel-wise (SCSE) and spatial attention mechanisms toaddress severe class imbalance and variability in medical images effectively.Initially, extensive benchmarking across diverse architectures and encoders via 5-fold cross-validation identified EfficientNet-B7 as the optimal encoder backbone.Subsequently, we independently trained two class-specific models with tailoredpreprocessing, extensive data augmentation, and Bayesian hyperparameter tun-ing (WandB sweeps). The final model ensemble utilized Test Time Augmentationto further enhance prediction reliability. Our approach was evaluated on a bench-mark dataset from the NBC 2025 & PCBBE 2025 competition. Segmentationperformance was quantified using a weighted F1-score (75% wounds, 25% scalemarkers), calculated externally by competition organizers on undisclosed hard-ware. The proposed approach achieved an F1-score of 0.8640, underscoring itseffectiveness for complex medical segmentation tasks.
• Abstract（参考訳）: 臨床画像における創傷の正確な分画とスケールマーカーは依然として重要な課題であり、効果的な創傷管理と自動評価に不可欠である。 本研究では,チャネルワイド(SCSE)と空間的アテンション機構を併用した新しいデュアルアテンションU-Net++アーキテクチュアを提案する。当初,多種多様なアーキテクチャとエンコーダを5倍のクロスバリデーションで拡張したベンチマークにより,EfficientNet-B7を最適なエンコーダバックボーンとして同定した。 最後のモデルアンサンブルは、予測信頼性をさらに高めるためにテスト時間拡張を利用した。 提案手法は,NBC 2025およびPCBBE 2025コンペティションのベンチマークデータセットを用いて評価した。 重み付きF1スコア(75%の傷,25%のスカラーマーカー)を用いてセグメンテーション性能を定量化した。 提案手法はF1スコア0.8640を達成し、複雑な医療セグメンテーションタスクに対する効果を実証した。

関連論文リスト

• MedSAM-CA: A CNN-Augmented ViT with Attention-Enhanced Multi-Scale Fusion for Medical Image Segmentation [10.36607107686106]
  アーキテクチャレベルの微調整手法であるMedSAM-CAを提案する。 皮膚内視鏡のデータセットでは、MedSAM-CAは全トレーニングデータのわずか2%で94.43%のDiceを達成し、全データトレーニングパフォーマンスの97.25%に達した。
  論文  参考訳（メタデータ） (2025-06-30T10:24:29Z)
• EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
  信頼性の高いECG不整脈分類ネットワークであるEXGnetを提案する。 マルチレゾリューション特徴抽出と説明可能な人工知能(XAI)ガイダンスを統合し、定量的特徴のみを訓練する。 提案手法は平均5倍精度98.762%、96.932%、F1スコア97.910%、ChapmanとNingboのデータセット95.527%を達成した。
  論文  参考訳（メタデータ） (2025-06-14T08:48:44Z)
• Med-2D SegNet: A Light Weight Deep Neural Network for Medical 2D Image Segmentation [0.0]
  我々は,新しい高効率セグメンテーションアーキテクチャであるMed-2D SegNetを紹介する。 Med-2D SegNetは、複数のベンチマークデータセットで最先端のパフォーマンスを実現する。 その成功の中心は、特殊なエンコーダ設計であるコンパクトなメドブロックである。
  論文  参考訳（メタデータ） (2025-04-20T19:04:43Z)
• Efficient Knowledge Distillation of SAM for Medical Image Segmentation [0.04672991859386895]
  Segment Anything Model (SAM)はインタラクティブなイメージセグメンテーションの新しい標準を設定し、さまざまなタスクで堅牢なパフォーマンスを提供する。 我々は, エンコーダとデコーダの最適化を, Mean Squared Error (MSE) と Perceptual Loss の組み合わせで組み合わせた新しい知識蒸留手法 KD SAM を提案する。 KD SAMはセグメンテーションの精度と計算効率を効果的にバランスさせ、資源制約のある環境でリアルタイムの医用画像セグメンテーションに適している。
  論文  参考訳（メタデータ） (2025-01-28T06:33:30Z)
• Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
  MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。 本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。 本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
  論文  参考訳（メタデータ） (2025-01-09T10:22:35Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。