論文の概要: RARE-UNet: Resolution-Aligned Routing Entry for Adaptive Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2507.15524v1
• Date: Mon, 21 Jul 2025 11:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.379426
• Title: RARE-UNet: Resolution-Aligned Routing Entry for Adaptive Medical Image Segmentation
• Title（参考訳）: RARE-UNet:アダプティブ・メディカル・イメージ・セグメンテーションのためのレゾリューション対応ルーティング・エントリ
• Authors: Simon Winther Albertsen, Hjalte Svaneborg Bjørnstrup, Mostafa Mehdipour Ghazi,
• Abstract要約: 本稿では,入力の空間分解能にその推論経路を適応させる,分解能を考慮したマルチスケールセグメンテーションアーキテクチャを提案する。 RARE-UNetは、海馬と腫瘍のセグメンテーションのための2つのベンチマーク脳イメージングタスクでテストされている。 本モデルでは,高精細度における平均Diceスコアが0.84と0.65であり,一貫した性能を維持しつつ,低精細度での推論時間を著しく短縮する。
• 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 is crucial for clinical applications, but existing models often assume fixed, high-resolution inputs and degrade significantly when faced with lower-resolution data in real-world scenarios. To address this limitation, we propose RARE-UNet, a resolution-aware multi-scale segmentation architecture that dynamically adapts its inference path to the spatial resolution of the input. Central to our design are multi-scale blocks integrated at multiple encoder depths, a resolution-aware routing mechanism, and consistency-driven training that aligns multi-resolution features with full-resolution representations. We evaluate RARE-UNet on two benchmark brain imaging tasks for hippocampus and tumor segmentation. Compared to standard UNet, its multi-resolution augmented variant, and nnUNet, our model achieves the highest average Dice scores of 0.84 and 0.65 across resolution, while maintaining consistent performance and significantly reduced inference time at lower resolutions. These results highlight the effectiveness and scalability of our architecture in achieving resolution-robust segmentation. The codes are available at: https://github.com/simonsejse/RARE-UNet.
• Abstract（参考訳）: 正確なセグメンテーションは臨床応用には不可欠であるが、既存のモデルは、固定された高解像度の入力を仮定し、現実のシナリオで低解像度のデータに直面すると著しく劣化することが多い。 この制限に対処するために,提案するRARE-UNetは,入力の空間分解能に推論経路を動的に適応する,分解能を考慮したマルチスケールセグメンテーションアーキテクチャである。 私たちの設計の中心は、複数のエンコーダ深さで統合されたマルチスケールブロック、解像度対応のルーティング機構、マルチ解像度機能とフル解像度表現を整列する一貫性駆動トレーニングである。 我々は,海馬と腫瘍のセグメンテーションのための2つのベンチマーク脳イメージングタスクにおいてRARE-UNetを評価した。 マルチ解像度拡張変種である標準UNetやnnUNetと比較して、我々のモデルは低解像度での連続的な性能を維持しながら、平均Diceスコアの0.84と0.65を達成し、低解像度での推論時間を著しく短縮する。 これらの結果は,分解能ロバストセグメンテーションの実現におけるアーキテクチャの有効性と拡張性を強調した。 コードは、https://github.com/simonsejse/RARE-UNet.comで入手できる。

関連論文リスト

• Nexus-INR: Diverse Knowledge-guided Arbitrary-Scale Multimodal Medical Image Super-Resolution [14.992795611397579]
  任意分解能超解像は、多様な空間分解能に適応することにより、医用画像解析に重要な柔軟性を提供する。 従来のCNNベースの手法は、基本的にARSRには適さない。 高品質で適応性のある医用画像の超高解像度化を実現するために,様々な情報と下流タスクを利用する多言語知識誘導ARSRフレームワークであるNexus-INRを提案する。
  論文  参考訳（メタデータ） (2025-08-05T04:44:35Z)
• HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation [74.1872891313184]
  HRSegは高精細な知覚を持つ効率的なモデルである。 高分解能知覚(HRP)と高分解能増強(HRE)の2つの重要な革新を特徴としている。
  論文  参考訳（メタデータ） (2025-07-17T08:09:31Z)
• Adaptive Resolution Residual Networks -- Generalizing Across Resolutions Easily and Efficiently [7.087237546722617]
  適応分解能残留ネットワーク(ARRN)について紹介する。 ARRNは適応分解能法と固定分解能法の利点を継承する。 我々はARRNが、柔軟性、堅牢性、計算効率を向上した多様な解像度によって引き起こされる課題を受け入れていることを示す。
  論文  参考訳（メタデータ） (2024-12-09T04:25:37Z)
• Cross-Domain Knowledge Distillation for Low-Resolution Human Pose Estimation [31.970739018426645]
  人間のポーズ推定の実践的応用では、低解像度の入力が頻繁に発生し、既存の最先端モデルでは低解像度の画像では不十分である。 本研究は,高分解能モデルから知識を抽出することにより,低分解能モデルの性能向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-05-19T04:57:17Z)
• Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [51.89707241449435]
  本稿では,高分解能表現CNNにマルチヘッド自己認識を効率よく組み込むという課題に対処する。 本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。 本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T15:47:54Z)
• 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)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Learning Resolution-Adaptive Representations for Cross-Resolution Person Re-Identification [49.57112924976762]
  低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。 実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。 本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
  論文  参考訳（メタデータ） (2022-07-09T03:49:51Z)
• High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
  超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。 提案手法は画像分割精細化において高速かつ効果的である。
  論文  参考訳（メタデータ） (2021-11-29T11:53:06Z)
• Resolution based Feature Distillation for Cross Resolution Person Re-Identification [17.86505685442293]
  人物の再識別(re-id)は、異なるカメラビューで同一人物の画像を取得することを目的としている。 解像度のミスマッチは、興味のある人とカメラの間の距離が異なるため起こる。 本稿では,複数の解像度の問題を克服するために,分解能に基づく特徴蒸留(RFD)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T11:07:59Z)
• CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement [0.0]
  最先端のセマンティックセグメンテーション手法は、固定解像度範囲内の画像にのみ訓練された。 本稿では,高分解能トレーニングデータを用いることなく,高分解能セグメンテーション問題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T01:38:03Z)

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。