論文の概要: A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet

• arxiv url: http://arxiv.org/abs/2508.06191v1
• Date: Fri, 08 Aug 2025 10:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.190674
• Title: A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet
• Title（参考訳）: DBIF-AUNetに基づく多言語避難のためのセマンティックセグメンテーションアルゴリズム
• Authors: Ruixiang Tang, Jianglong Qin, Mingda Zhang, Yan Song, Yi Wu, Wei Wu,
• Abstract要約: 胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
• 参考スコア（独自算出の注目度）: 30.054364701664635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pleural effusion semantic segmentation can significantly enhance the accuracy and timeliness of clinical diagnosis and treatment by precisely identifying disease severity and lesion areas. Currently, semantic segmentation of pleural effusion CT images faces multiple challenges. These include similar gray levels between effusion and surrounding tissues, blurred edges, and variable morphology. Existing methods often struggle with diverse image variations and complex edges, primarily because direct feature concatenation causes semantic gaps. To address these challenges, we propose the Dual-Branch Interactive Fusion Attention model (DBIF-AUNet). This model constructs a densely nested skip-connection network and innovatively refines the Dual-Domain Feature Disentanglement module (DDFD). The DDFD module orthogonally decouples the functions of dual-domain modules to achieve multi-scale feature complementarity and enhance characteristics at different levels. Concurrently, we design a Branch Interaction Attention Fusion module (BIAF) that works synergistically with the DDFD. This module dynamically weights and fuses global, local, and frequency band features, thereby improving segmentation robustness. Furthermore, we implement a nested deep supervision mechanism with hierarchical adaptive hybrid loss to effectively address class imbalance. Through validation on 1,622 pleural effusion CT images from Southwest Hospital, DBIF-AUNet achieved IoU and Dice scores of 80.1% and 89.0% respectively. These results outperform state-of-the-art medical image segmentation models U-Net++ and Swin-UNet by 5.7%/2.7% and 2.2%/1.5% respectively, demonstrating significant optimization in segmentation accuracy for complex pleural effusion CT images.
• Abstract（参考訳）: 胸水セマンティックセグメンテーションは、重症度と病変領域を正確に同定することにより、臨床診断と治療の精度とスケジュールを著しく向上させることができる。 現在,胸水CT画像のセマンティックセグメンテーションは複数の課題に直面している。 これらには、拡散と周囲の組織の間の同様の灰色のレベル、ぼやけた縁、および様々な形態が含まれる。 既存の手法はしばしば多様な画像のバリエーションと複雑なエッジに苦しむが、それは主に直接的特徴連結が意味的なギャップを引き起こすためである。 これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。 このモデルは、密にネストされたスキップ接続ネットワークを構築し、DDFD(Dual-Domain Feature Disentanglement Module)を革新的に洗練する。 DDFDモジュールは、デュアルドメインモジュールの機能を直交的に分離し、マルチスケールの特徴相補性を達成し、異なるレベルの特性を高める。 同時に DDFD と相乗的に機能するブランチ・インタラクション・アテンション・フュージョン・モジュール (BIAF) を設計する。 このモジュールはグローバル、ローカル、周波数帯の特徴を動的に重み付け、融合し、セグメンテーションの堅牢性を向上させる。 さらに,階層型適応ハイブリッド損失を用いたネスト型深層監視機構を実装し,クラス不均衡を効果的に解消する。 南西病院からの1,622個の胸水CT画像の検証により、DBIF-AUNetはIoUとDiceのスコアをそれぞれ80.1%、89.0%とした。 これらの結果は、最先端の医用画像分割モデルであるU-Net++とSwin-UNetをそれぞれ5.7%/2.7%と2.2%/1.5%で上回り、複雑な胸水CT画像のセグメンテーション精度を著しく最適化した。

関連論文リスト

• CFFormer: Cross CNN-Transformer Channel Attention and Spatial Feature Fusion for Improved Segmentation of Heterogeneous Medical Images [29.68616115427831]
  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。 医用撮像装置の限界により、医用画像は大きな異質性を示し、セグメンテーションの課題を提起する。 本稿では,効果的なチャネル特徴抽出を利用するCFFormerと呼ばれるハイブリッドCNN-Transformerモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T08:59:20Z)
• CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
  CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-03T13:36:07Z)
• 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)
• MS-MT: Multi-Scale Mean Teacher with Contrastive Unpaired Translation for Cross-Modality Vestibular Schwannoma and Cochlea Segmentation [11.100048696665496]
  教師なしドメイン適応(UDA)メソッドは、有望なクロスモダリティセグメンテーション性能を達成した。 本稿では,2つの重要な脳構造の自動分割のための,マルチスケールの自己組織化に基づくUDAフレームワークを提案する。 提案手法は,平均Diceスコアが83.8%,81.4%の有望なセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-03-28T08:55:00Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
  関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。 マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-05T17:24:23Z)

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。