論文の概要: Unified Medical Image Segmentation with State Space Modeling Snake

• arxiv url: http://arxiv.org/abs/2507.12760v1
• Date: Thu, 17 Jul 2025 03:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.328612
• Title: Unified Medical Image Segmentation with State Space Modeling Snake
• Title（参考訳）: 状態空間モデリングスネークを用いた統一医用画像分割
• Authors: Ruicheng Zhang, Haowei Guo, Kanghui Tian, Jun Zhou, Mingliang Yan, Zeyu Zhang, Shen Zhao,
• Abstract要約: We propose Mamba Snake, a novel space deep snake framework as state-of-the-art modeling for Unified Medical Image System (UMIS)。 マンバ・スネークは、階層的な状態空間アトラス、効果的にマクロな組織間トポロジカルな関係と微視的輪郭微細化としてマルチコンの進化を描いている。 Mamba Snakeの優れた性能は、最先端の手法よりも平均3%向上した。
• 参考スコア（独自算出の注目度）: 7.855562142338835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified Medical Image Segmentation (UMIS) is critical for comprehensive anatomical assessment but faces challenges due to multi-scale structural heterogeneity. Conventional pixel-based approaches, lacking object-level anatomical insight and inter-organ relational modeling, struggle with morphological complexity and feature conflicts, limiting their efficacy in UMIS. We propose Mamba Snake, a novel deep snake framework enhanced by state space modeling for UMIS. Mamba Snake frames multi-contour evolution as a hierarchical state space atlas, effectively modeling macroscopic inter-organ topological relationships and microscopic contour refinements. We introduce a snake-specific vision state space module, the Mamba Evolution Block (MEB), which leverages effective spatiotemporal information aggregation for adaptive refinement of complex morphologies. Energy map shape priors further ensure robust long-range contour evolution in heterogeneous data. Additionally, a dual-classification synergy mechanism is incorporated to concurrently optimize detection and segmentation, mitigating under-segmentation of microstructures in UMIS. Extensive evaluations across five clinical datasets reveal Mamba Snake's superior performance, with an average Dice improvement of 3\% over state-of-the-art methods.
• Abstract（参考訳）: Unified Medical Image Segmentation (UMIS) は、総合解剖学的評価において重要であるが、マルチスケール構造の不均一性による課題に直面している。 従来のピクセルベースのアプローチでは、オブジェクトレベルの解剖学的洞察と組織間リレーショナルモデリングが欠如し、形態的複雑性と特徴的衝突に苦慮し、UMISにおける有効性を制限している。 UMISのための状態空間モデリングにより強化された新しいディープヘビフレームワークであるMamba Snakeを提案する。 マンバ・スネークは階層的な状態空間アトラスとして多面体進化をフレーム化し、マクロな組織間トポロジカルな関係と微視的輪郭微細化を効果的にモデル化した。 ヘビ特有の視覚状態空間モジュールであるMamba Evolution Block (MEB)を導入し、複雑な形態の適応的洗練に効果的な時空間情報アグリゲーションを利用する。 エネルギーマップの形状は、不均一なデータにおいて、より堅牢な長距離輪郭の進化を保証する。 さらに,検出とセグメント化を同時に最適化し,UMISの微細構造の過小区分化を緩和するために,二重分類相乗効果機構が組み込まれている。 5つの臨床データセットにわたる広範囲な評価では、Mamba Snakeの優れたパフォーマンスが示され、Diceは最先端の手法よりも平均3\%向上した。

関連論文リスト

• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation [5.389510984268956]
  MARL(Multi-Agent Reinforcement Learning)に基づく最初の輪郭型医用画像分割フレームワークであるMARL-MambaContourを紹介する。 提案手法は,位相的に一貫したオブジェクトレベルの輪郭を生成することに焦点を当てたマルチエージェント協調タスクとしてセグメンテーションを再構成する。 5つの多様な医用画像データセットの実験は、MARL-MambaContourの最先端性能を示している。
  論文  参考訳（メタデータ） (2025-06-23T14:22:49Z)
• MS-UMamba: An Improved Vision Mamba Unet for Fetal Abdominal Medical Image Segmentation [1.2721397985664153]
  胎児超音波画像分割のためのハイブリッド・コンボリューション・マンバモデルであるMS-UMambaを提案する。 具体的には,マンバのグローバルなモデリング強度を利用するCNNブランチと統合された視覚状態空間ブロックを設計する。 また,異なる層からの特徴情報を統合した効率的なマルチスケール機能融合モジュールを提案する。
  論文  参考訳（メタデータ） (2025-06-14T10:34:10Z)
• InceptionMamba: Efficient Multi-Stage Feature Enhancement with Selective State Space Model for Microscopic Medical Image Segmentation [15.666926528144202]
  InceptionMambaという,多段階のリッチな機能をエンコードするセグメンテーションタスクのための効率的なフレームワークを提案する。 我々は,低周波領域と高周波領域の両方を捕捉し,多段特徴を豊かにするためにセマンティック・キューを利用する。 本モデルでは,2つの挑戦的微視的セグメンテーションデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-13T20:25:12Z)
• Mamba-Driven Topology Fusion for Monocular 3-D Human Pose Estimation [32.185238802221576]
  最近、Mambaモデルは計算オーバーヘッドを大幅に減らした。 SSMのシーケンシャルデータ処理能力は、位相構造を持つ3次元ジョイントシーケンスには適していない。 我々はこれらの問題に対処するMamba-Driven Topology Fusionフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T01:21:57Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
  医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。 以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T07:51:14Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• 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)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。