論文の概要: T-MPEDNet: Unveiling the Synergy of Transformer-aware Multiscale Progressive Encoder-Decoder Network with Feature Recalibration for Tumor and Liver Segmentation
- arxiv url: http://arxiv.org/abs/2507.19590v1
- Date: Fri, 25 Jul 2025 18:03:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:55.763406
- Title: T-MPEDNet: Unveiling the Synergy of Transformer-aware Multiscale Progressive Encoder-Decoder Network with Feature Recalibration for Tumor and Liver Segmentation
- Title（参考訳）: T-MPEDNet:T-MPEDNet:腫瘍と肝の分節に対する特徴校正によるトランスフォーマー対応マルチスケールプログレッシブエンコーダ・デコーダネットワークのシナジーの実現
- Authors: Chandravardhan Singh Raghaw, Jasmer Singh Sanjotra, Mohammad Zia Ur Rehman, Shubhi Bansal, Shahid Shafi Dar, Nagendra Kumar,
- Abstract要約: 腫瘍と肝臓の自動分割のためのトランスフォーマー対応マルチスケールプログレッシブデコーダネットワーク(T-MPEDNet)を提案する。
Transformerにインスパイアされたダイナミックアテンション機構は、空間領域内の長距離コンテキスト関係をキャプチャする。
T-MPEDNetは、それぞれ97.6%のDice similarity Coefficients(DSC)と89.1%の肝臓と腫瘍のセグメンテーションを達成している。
- 参考スコア（独自算出の注目度）: 0.3402843082585062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise and automated segmentation of the liver and its tumor within CT scans plays a pivotal role in swift diagnosis and the development of optimal treatment plans for individuals with liver diseases and malignancies. However, automated liver and tumor segmentation faces significant hurdles arising from the inherent heterogeneity of tumors and the diverse visual characteristics of livers across a broad spectrum of patients. Aiming to address these challenges, we present a novel Transformer-aware Multiscale Progressive Encoder-Decoder Network (T-MPEDNet) for automated segmentation of tumor and liver. T-MPEDNet leverages a deep adaptive features backbone through a progressive encoder-decoder structure, enhanced by skip connections for recalibrating channel-wise features while preserving spatial integrity. A Transformer-inspired dynamic attention mechanism captures long-range contextual relationships within the spatial domain, further enhanced by multi-scale feature utilization for refined local details, leading to accurate prediction. Morphological boundary refinement is then employed to address indistinct boundaries with neighboring organs, capturing finer details and yielding precise boundary labels. The efficacy of T-MPEDNet is comprehensively assessed on two widely utilized public benchmark datasets, LiTS and 3DIRCADb. Extensive quantitative and qualitative analyses demonstrate the superiority of T-MPEDNet compared to twelve state-of-the-art methods. On LiTS, T-MPEDNet achieves outstanding Dice Similarity Coefficients (DSC) of 97.6% and 89.1% for liver and tumor segmentation, respectively. Similar performance is observed on 3DIRCADb, with DSCs of 98.3% and 83.3% for liver and tumor segmentation, respectively. Our findings prove that T-MPEDNet is an efficacious and reliable framework for automated segmentation of the liver and its tumor in CT scans.
- Abstract（参考訳）: 肝疾患や悪性腫瘍の早期診断と最適な治療計画の開発において,CTスキャンにおける肝とその腫瘍の精密かつ自動分節化が重要な役割を担っている。
しかし, 肝と腫瘍の分節は, 腫瘍の固有の異質性や, 広範囲にわたる肝の視覚的特徴に起因し, 重大な障害に直面している。
これらの課題に対処するために,腫瘍と肝臓の自動分割のためのトランスフォーマー対応マルチスケールプログレッシブエンコーダデコーダネットワーク(T-MPEDNet)を提案する。
T-MPEDNetは、プログレッシブエンコーダ・デコーダ構造を通じて、深い適応的特徴のバックボーンを活用する。
トランスフォーマーにインスパイアされたダイナミックアテンション機構は、空間領域内の長距離コンテキスト関係をキャプチャし、改良された局所的詳細に対するマルチスケール特徴利用によってさらに強化され、正確な予測が導かれる。
形態的境界修正は、隣接する臓器との不連続な境界に対処し、より細部を捉え、正確な境界ラベルを得るために用いられる。
T-MPEDNetの有効性は、広く利用されている2つの公開ベンチマークデータセット、LiTSと3DIRCADbで総合的に評価される。
T-MPEDNetの総合的定量的および定性的分析は、12の最先端手法と比較して優れていることを示している。
LiTSでは、T-MPEDNetは、それぞれ97.6%のDice similarity Coefficient(DSC)と89.1%の肝臓と腫瘍のセグメンテーションを達成している。
3DIRCADbでも同様のパフォーマンスが見られ、DSCはそれぞれ98.3%と83.3%である。
以上の結果から,T-MPEDNetは肝と腫瘍をCTで自動的に分離する上で,有効かつ信頼性の高いフレームワークであることが明らかとなった。
関連論文リスト
- HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [1.3149714289117207]
腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。
ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入
HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
論文 参考訳（メタデータ） (2025-07-15T13:56:37Z) - SmoothSegNet: A Global-Local Framework for Liver Tumor Segmentation with Clinical KnowledgeInformed Label Smoothing [17.798774864007505]
肝がんは世界中で死亡率の高い原因である。
正確な肝腫瘍の分節は、腫瘍の異種性のため、依然として困難である。
SmoothSegNetは、これらの課題に3つの重要な設計で対処する、新しいディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2024-10-13T20:52:25Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。
この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。
提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
論文 参考訳（メタデータ） (2024-03-15T00:52:17Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - CAFCT-Net: A CNN-Transformer Hybrid Network with Contextual and Attentional Feature Fusion for Liver Tumor Segmentation [3.8952128960495638]
肝腫瘍分節化のためのコンテクスト・アテンショナル機能FusionsEnhanced Convolutional Network (CNN) と Transformer Hybrid Network (CAFCT-Net) を提案する。
実験の結果,提案モデルの平均断面積は76.54%,Dice係数は84.29%であった。
論文 参考訳（メタデータ） (2024-01-30T10:42:11Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from
CT images [22.128902125820193]
Decoupled Pyramid correlation Network (DPC-Net)を提案する。
注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。
DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
論文 参考訳（メタデータ） (2022-05-26T07:31:29Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Exploiting full Resolution Feature Context for Liver Tumor and Vessel
Segmentation via Fusion Encoder: Application to Liver Tumor and Vessel 3D
reconstruction [19.048952361722876]
本稿ではTransformerとSEBottleNetをベースとしたTransFusionNetと呼ばれるマルチスケール機能コンテキスト融合ネットワークを提案する。
実験の結果、TransFusionNetは、LITSと3Dircadbの両方の公開データセットと臨床データセットの最先端手法よりも優れていることがわかった。
また,トレーニングモデルに基づく自動3次元再構成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-26T02:48:48Z) - Hepatic vessel segmentation based on 3Dswin-transformer with inductive
biased multi-head self-attention [46.46365941681487]
Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。
正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。
一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
論文 参考訳（メタデータ） (2021-11-05T10:17:08Z) - Deep Attentive Features for Prostate Segmentation in 3D Transrectal
Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。
我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。
3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文 参考訳（メタデータ） (2019-07-03T05:21:52Z)
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。