論文の概要: XAG-Net: A Cross-Slice Attention and Skip Gating Network for 2.5D Femur MRI Segmentation

• arxiv url: http://arxiv.org/abs/2508.06258v1
• Date: Fri, 08 Aug 2025 12:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.226219
• Title: XAG-Net: A Cross-Slice Attention and Skip Gating Network for 2.5D Femur MRI Segmentation
• Title（参考訳）: XAG-Net: 2.5次元大腿骨MRI分割のためのクロススライス注意とスキップゲーティングネットワーク
• Authors: Byunghyun Ko, Anning Tian, Jeongkyu Lee,
• Abstract要約: XAG-Netは、ピクセルワイド・クロススライス・アテンション(CSA)とアテンション・ゲーティング(AG)機構を組み込んだ2.5D U-Netベースの新しいアーキテクチャである。 XAG-Netは2D, 2.5D, 3D U-Netモデルを計算効率を保ちながら大腿骨セグメンテーションの精度で上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of femur structures from Magnetic Resonance Imaging (MRI) is critical for orthopedic diagnosis and surgical planning but remains challenging due to the limitations of existing 2D and 3D deep learning-based segmentation approaches. In this study, we propose XAG-Net, a novel 2.5D U-Net-based architecture that incorporates pixel-wise cross-slice attention (CSA) and skip attention gating (AG) mechanisms to enhance inter-slice contextual modeling and intra-slice feature refinement. Unlike previous CSA-based models, XAG-Net applies pixel-wise softmax attention across adjacent slices at each spatial location for fine-grained inter-slice modeling. Extensive evaluations demonstrate that XAG-Net surpasses baseline 2D, 2.5D, and 3D U-Net models in femur segmentation accuracy while maintaining computational efficiency. Ablation studies further validate the critical role of the CSA and AG modules, establishing XAG-Net as a promising framework for efficient and accurate femur MRI segmentation.
• Abstract（参考訳）: MRIによる大腿骨の正確なセグメント化は整形外科的診断や手術計画には重要であるが,既存の2次元および3次元深層学習に基づくセグメント化アプローチの限界により,依然として困難である。 本研究では,CSA(Cixel-wise Cross-Slice attention)とAG(Ac attention Gaating)機構を取り入れた新しい2.5D U-NetアーキテクチャであるXAG-Netを提案する。 従来のCSAベースのモデルとは異なり、XAG-Netは細粒なスライス間モデリングのために各空間位置の隣接スライスに画素ワイド・ソフトマックス・アテンションを適用している。 XAG-Netは, 2D, 2.5D, 3D U-Netモデルを計算効率を維持しつつ, 大腿骨セグメンテーション精度で上回っている。 アブレーション研究は、CSAおよびAGモジュールの重要な役割をさらに検証し、XAG-Netを効率よく正確な大腿骨MRIセグメンテーションのための有望なフレームワークとして確立した。

関連論文リスト

• RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation [0.624829068285122]
  機能アライメントのための強化学習により強化されたデュアルブランチU-Netアーキテクチャを提案する。 このモデルは、デュアルブランチU字型ネットワークを用いて、CTとMRIのパッチを並列に処理し、新しいRL-XAlignモジュールを導入する。 公開されているMM-WHS 2017データセットの実験結果は、提案されたRL-U$2$Netが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-04T16:12:06Z)
• 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)
• Med-2D SegNet: A Light Weight Deep Neural Network for Medical 2D Image Segmentation [0.0]
  我々は,新しい高効率セグメンテーションアーキテクチャであるMed-2D SegNetを紹介する。 Med-2D SegNetは、複数のベンチマークデータセットで最先端のパフォーマンスを実現する。 その成功の中心は、特殊なエンコーダ設計であるコンパクトなメドブロックである。
  論文  参考訳（メタデータ） (2025-04-20T19:04:43Z)
• 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)
• A Flexible 2.5D Medical Image Segmentation Approach with In-Slice and Cross-Slice Attention [13.895277069418045]
  任意の数のスライスで2.5D画像を処理できるフレキシブル2.5DセグメンテーションモデルであるCSA-Netを紹介する。 1)脳MRI,(2)バイナリ前立腺MRIのセグメンテーション,(3)マルチクラス前立腺MRIのセグメンテーションの3つのタスクについてCSA-Netを評価した。
  論文  参考訳（メタデータ） (2024-04-30T18:28:09Z)
• 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)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)

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。