論文の概要: DCFFSNet: Deep Connectivity Feature Fusion Separation Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2507.18407v1
• Date: Thu, 24 Jul 2025 13:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.729295
• Title: DCFFSNet: Deep Connectivity Feature Fusion Separation Network for Medical Image Segmentation
• Title（参考訳）: DCFFSNet:医療画像分割のためのディープコネクション機能融合分離ネットワーク
• Authors: Xun Ye, Ruixiang Tang, Mingda Zhang, Jianglong Qin,
• Abstract要約: 医用画像分割のためのDCFFSNet(Dual-Connectivity Feature Fusion-Separation Network)を提案する。 接続機能と他の機能の間の強度を定量化し、深い接続機能融合分離アーキテクチャを構築する。 セグメンテーションの断片化を効果的に解決し、スムーズなエッジ遷移を実現する。
• 参考スコア（独自算出の注目度）: 16.614265695949314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation leverages topological connectivity theory to enhance edge precision and regional consistency. However, existing deep networks integrating connectivity often forcibly inject it as an additional feature module, resulting in coupled feature spaces with no standardized mechanism to quantify different feature strengths. To address these issues, we propose DCFFSNet (Dual-Connectivity Feature Fusion-Separation Network). It introduces an innovative feature space decoupling strategy. This strategy quantifies the relative strength between connectivity features and other features. It then builds a deep connectivity feature fusion-separation architecture. This architecture dynamically balances multi-scale feature expression. Experiments were conducted on the ISIC2018, DSB2018, and MoNuSeg datasets. On ISIC2018, DCFFSNet outperformed the next best model (CMUNet) by 1.3% (Dice) and 1.2% (IoU). On DSB2018, it surpassed TransUNet by 0.7% (Dice) and 0.9% (IoU). On MoNuSeg, it exceeded CSCAUNet by 0.8% (Dice) and 0.9% (IoU). The results demonstrate that DCFFSNet exceeds existing mainstream methods across all metrics. It effectively resolves segmentation fragmentation and achieves smooth edge transitions. This significantly enhances clinical usability.
• Abstract（参考訳）: 医用画像セグメンテーションは、トポロジカル接続理論を活用して、エッジ精度と地域整合性を高める。 しかし、接続性を統合する既存のディープネットワークは、しばしばそれを追加のフィーチャモジュールとして強制的に注入し、その結果、異なる特徴強度を定量化するための標準化されたメカニズムのない結合機能空間が生じる。 本稿では,DCFFSNet(Dual-Connectivity Feature Fusion-Separation Network)を提案する。 革新的な機能空間のデカップリング戦略を導入している。 この戦略は、接続機能と他の機能との相対的な強度を定量化する。 そして、深い接続性を持つフュージョンセパレーションアーキテクチャを構築する。 このアーキテクチャはマルチスケールの特徴表現を動的にバランスさせる。 ISIC2018、DSB2018、MoNuSegデータセットで実験が行われた。 ISIC2018でDCFFSNetは次のベストモデル(CMUNet)を1.3%(Dice)と1.2%(IoU)で上回った。 DSB2018ではTransUNetを0.7%(Dice)、0.9%(IoU)で上回った。 MoNuSegでは、CSCAUNetの0.8%(Dice)と0.9%(IoU)を上回った。 結果は、DCFFSNetがすべてのメトリクスで既存の主流メソッドを超えることを示した。 セグメンテーションの断片化を効果的に解決し、スムーズなエッジ遷移を実現する。 これは臨床的有用性を大幅に向上させる。

関連論文リスト

• UniPhyNet: A Unified Network For Multimodal Physiological Raw Signal Classification [0.18416014644193066]
  マルチモーダルな生理学的データを用いて認知負荷を分類するニューラルネットワークアーキテクチャUniPhyNetを提案する。 CL-Driveデータセットでは、UniPhyNetは生信号の分類精度を70%から80%(バイナリ)、62%から74%(3つ)に改善している。
  論文  参考訳（メタデータ） (2025-07-08T07:13:45Z)
• Simple is what you need for efficient and accurate medical image segmentation [7.2109224546543675]
  本稿では,スケーラブルな超軽量医用画像分割モデルSimpleUNetを提案する。 記録破りの16KBパラメータ設定により、SimpleUNetはLBUNetや他の軽量ベンチマークを上回っている。 0.67MBの派生型は、より優れた効率(8.60 GFLOPs)と精度を実現し、マルチセンターの乳房病変のデータセットの平均DSC/IoUは85.76%/75.60%に達した。
  論文  参考訳（メタデータ） (2025-06-16T12:31:48Z)
• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
  深層学習は断層診断(FD)に著しい進歩をもたらした マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:55:02Z)
• LHU-Net: a Lean Hybrid U-Net for Cost-efficient, High-performance Volumetric Segmentation [4.168081528698768]
  ボリューム医療画像分割のためのリーンハイブリッドU-NetであるLHU-Netを提案する。 LHU-Netは、チャンネルの特徴を洗練する前に空間的特徴抽出を優先し、効率と精度の両方を最適化する。 Synapse、Left Atrial、BraTS-Decathlon、Lung-Decathlonの4つのベンチマークデータセットによる評価
  論文  参考訳（メタデータ） (2024-04-07T22:58:18Z)
• TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
  グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。 我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-10-30T09:35:56Z)
• Systematic Architectural Design of Scale Transformed Attention Condenser DNNs via Multi-Scale Class Representational Response Similarity Analysis [93.0013343535411]
  マルチスケールクラス表現応答類似性分析(ClassRepSim)と呼ばれる新しいタイプの分析法を提案する。 ResNetスタイルのアーキテクチャにSTACモジュールを追加すると、最大1.6%の精度が向上することを示す。 ClassRepSim分析の結果は、STACモジュールの効果的なパラメータ化を選択するために利用することができ、競争性能が向上する。
  論文  参考訳（メタデータ） (2023-06-16T18:29:26Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• FCCDN: Feature Constraint Network for VHR Image Change Detection [12.670734830806591]
  本稿では,変更検出のための特徴制約変更検出ネットワーク(FCCDN)を提案する。 両時間的特徴抽出と特徴融合を両立させる。 2つのビルディング変更検出データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-23T06:13:47Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。