論文の概要: M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast
- arxiv url: http://arxiv.org/abs/2507.20582v1
- Date: Mon, 28 Jul 2025 07:33:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:57.967385
- Title: M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast
- Title（参考訳）: M-Net: Mesh-CastによるMRI脳腫瘍シークエンシャルセグメンテーションネットワーク
- Authors: Jiacheng Lu, Hui Ding, Shiyu Zhang, Guoping Huo,
- Abstract要約: M-Netは、シーケンシャルなイメージセグメンテーション用に特別に設計されたフレキシブルなフレームワークである。
M-Netは、任意のシーケンシャルモデルをチャネル情報と時間情報の両方の処理にシームレスに統合する新しいMesh-Castメカニズムを導入している。
- 参考スコア（独自算出の注目度）: 2.90376151605663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MRI tumor segmentation remains a critical challenge in medical imaging, where volumetric analysis faces unique computational demands due to the complexity of 3D data. The spatially sequential arrangement of adjacent MRI slices provides valuable information that enhances segmentation continuity and accuracy, yet this characteristic remains underutilized in many existing models. The spatial correlations between adjacent MRI slices can be regarded as "temporal-like" data, similar to frame sequences in video segmentation tasks. To bridge this gap, we propose M-Net, a flexible framework specifically designed for sequential image segmentation. M-Net introduces the novel Mesh-Cast mechanism, which seamlessly integrates arbitrary sequential models into the processing of both channel and temporal information, thereby systematically capturing the inherent "temporal-like" spatial correlations between MRI slices. Additionally, we define an MRI sequential input pattern and design a Two-Phase Sequential (TPS) training strategy, which first focuses on learning common patterns across sequences before refining slice-specific feature extraction. This approach leverages temporal modeling techniques to preserve volumetric contextual information while avoiding the high computational cost of full 3D convolutions, thereby enhancing the generalizability and robustness of M-Net in sequential segmentation tasks. Experiments on the BraTS2019 and BraTS2023 datasets demonstrate that M-Net outperforms existing methods across all key metrics, establishing itself as a robust solution for temporally-aware MRI tumor segmentation.
- Abstract（参考訳）: MRI腫瘍の分節化は医用画像において依然として重要な課題であり、体積解析は3Dデータの複雑さのために独自の計算要求に直面している。
隣接したMRIスライスを空間的に逐次配置することで、分割連続性と精度を高める貴重な情報が得られるが、この特徴は既存の多くのモデルでは未利用のままである。
隣接したMRIスライス間の空間的相関は、ビデオセグメンテーションタスクのフレームシーケンスと同様の「時間的」データと見なすことができる。
このギャップを埋めるために,逐次画像分割に特化したフレキシブルなフレームワークであるM-Netを提案する。
M-Netは、任意のシーケンシャルモデルをチャネル情報と時間情報の両方の処理にシームレスに統合し、MRIスライス間の固有の「時間的」空間相関を体系的に取得する、新しいMesh-Castメカニズムを導入している。
さらに、MRIシーケンシャルな入力パターンを定義し、スライス固有の特徴抽出を洗練する前に、まずシーケンス間の共通パターンの学習に焦点を当てたTPSトレーニング戦略を設計する。
このアプローチは、時間的モデリング手法を利用して、全3次元畳み込みの計算コストを高く抑えながら、ボリュームの文脈情報を保存し、シーケンシャルセグメンテーションタスクにおけるM-Netの一般化性と堅牢性を高める。
BraTS2019とBraTS2023データセットの実験では、M-Netはすべての主要なメトリクスで既存のメソッドよりも優れており、時間的に認識されたMRI腫瘍セグメンテーションの堅牢なソリューションとして確立されている。
関連論文リスト
- ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。
本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。
現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
論文 参考訳（メタデータ） (2025-06-24T14:56:55Z) - MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。
本稿では,データ合成における生成モデルの利用について検討する。
本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
論文 参考訳（メタデータ） (2024-12-04T16:34:22Z) - Synthesis-based Imaging-Differentiation Representation Learning for
Multi-Sequence 3D/4D MRI [16.725225424047256]
画像差分表現学習のためのシーケンス・ツー・シーケンス生成フレームワーク(Seq2Seq)を提案する。
本研究では、1つのモデル内で任意の3D/4Dシーケンスを生成し、任意のターゲットシーケンスを生成するだけでなく、各シーケンスの重要性をランク付けする。
我々は,2万名の模擬被験者のおもちゃデータセット,1,251名の脳MRIデータセット,2,101名の乳房MRIデータセットを含む3つのデータセットを用いて広範な実験を行った。
論文 参考訳（メタデータ） (2023-02-01T15:37:35Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - One Network to Solve Them All: A Sequential Multi-Task Joint Learning
Network Framework for MR Imaging Pipeline [12.684219884940056]
組み合わせたエンドツーエンドのパイプラインを訓練するために、連続的なマルチタスク共同学習ネットワークモデルが提案される。
提案手法は,再構成とセグメント化の両面から,他のSOTA手法よりも優れた性能を示すMBBデータセット上で検証されている。
論文 参考訳（メタデータ） (2021-05-14T05:55:27Z) - Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left
Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。
3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
論文 参考訳（メタデータ） (2021-04-26T11:04:43Z) - Longitudinal diffusion MRI analysis using Segis-Net: a single-step
deep-learning framework for simultaneous segmentation and registration [10.548643411475584]
Segis-Netは、縦方向の画像分析のためのシングルステップディープラーニングフレームワークです。
高齢者3249名のn045縦型脳データから,segis-netを用いて白質路の解析を行った。
論文 参考訳（メタデータ） (2020-12-28T13:48:21Z) - Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。
提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
論文 参考訳（メタデータ） (2020-11-08T10:40:26Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。