論文の概要: ASM-UNet: Adaptive Scan Mamba Integrating Group Commonalities and Individual Variations for Fine-Grained Segmentation

• arxiv url: http://arxiv.org/abs/2508.07237v1
• Date: Sun, 10 Aug 2025 08:33:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.769528
• Title: ASM-UNet: Adaptive Scan Mamba Integrating Group Commonalities and Individual Variations for Fine-Grained Segmentation
• Title（参考訳）: ASM-UNet: 群共通性と個人差を統合した適応型スキャンマンバ
• Authors: Bo Wang, Mengyuan Xu, Yue Yan, Yuqun Yang, Kechen Shu, Wei Ping, Xu Tang, Wei Jiang, Zheng You,
• Abstract要約: 微粒化は、小さな解剖学的構造の個体差が頻発しているため、困難である。 FGSのための新しいマンバベースのアーキテクチャであるASM-UNetを提案する。 適応的なスキャンスコアを導入し、グループレベルの共通性と個人レベルのバリエーションを組み合わせたスキャン順序を動的にガイドする。
• 参考スコア（独自算出の注目度）: 22.735578586581692
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Precise lesion resection depends on accurately identifying fine-grained anatomical structures. While many coarse-grained segmentation (CGS) methods have been successful in large-scale segmentation (e.g., organs), they fall short in clinical scenarios requiring fine-grained segmentation (FGS), which remains challenging due to frequent individual variations in small-scale anatomical structures. Although recent Mamba-based models have advanced medical image segmentation, they often rely on fixed manually-defined scanning orders, which limit their adaptability to individual variations in FGS. To address this, we propose ASM-UNet, a novel Mamba-based architecture for FGS. It introduces adaptive scan scores to dynamically guide the scanning order, generated by combining group-level commonalities and individual-level variations. Experiments on two public datasets (ACDC and Synapse) and a newly proposed challenging biliary tract FGS dataset, namely BTMS, demonstrate that ASM-UNet achieves superior performance in both CGS and FGS tasks. Our code and dataset are available at https://github.com/YqunYang/ASM-UNet.
• Abstract（参考訳）: 正確な病変切除は, 微細な解剖学的構造を正確に同定することに依存する。 多くの粗粒分節法(CGS)は大規模な分節法(臓器など)で成功しているが, 細粒分節法(FGS)が要求される臨床シナリオでは不十分である。 最近のMambaベースのモデルは高度な医用画像セグメンテーションを持つが、しばしば手動で定義したスキャン順序に依存し、FGSの個々のバリエーションへの適応性を制限する。 そこで本研究では,FGSのための新しいMambaベースのアーキテクチャであるASM-UNetを提案する。 適応的なスキャンスコアを導入し、グループレベルの共通性と個人レベルのバリエーションを組み合わせたスキャン順序を動的にガイドする。 2つの公開データセット(ACDCとSynapse)と、新しく提案された胆道FGSデータセット(BTMS)の実験は、ASM-UNetがCGSとFGSの両方のタスクで優れたパフォーマンスを達成することを実証している。 私たちのコードとデータセットはhttps://github.com/YqunYang/ASM-UNet.orgで公開されています。

関連論文リスト

• Co-Seg++: Mutual Prompt-Guided Collaborative Learning for Versatile Medical Segmentation [4.584473085778697]
  医用画像解析は、臓器や組織を共同で分割する必要があるため、重要な課題である。 既存の研究は通常、異なるセグメンテーションタスクを独立した形で定式化している。 汎用医療セグメンテーションのためのCo-Seg++フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T17:05:09Z)
• Unleashing Diffusion and State Space Models for Medical Image Segmentation [5.4377770015041795]
  既存のセグメンテーションモデルは、目に見えない臓器や腫瘍に遭遇するときに頑丈さを欠くことが多い。 DSMは、拡散と状態空間モデルを利用して、トレーニングデータ以外の未確認腫瘍カテゴリを分割するフレームワークである。 DSMは、オルガンレベルの視覚的特徴をキャプチャするために、オブジェクト認識機能グループ化戦略を使用してオルガンクエリを学習する。 その後、拡散に基づく視覚的プロンプトに焦点を当てて腫瘍のクエリを洗練し、これまで見えなかった腫瘍の正確なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-06-15T07:07:14Z)
• 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)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• On the Viability of Semi-Supervised Segmentation Methods for Statistical Shape Modeling [1.741980945827445]
  統計的形状モデル (SSMs) は、個体群レベルの解剖学的変異を識別する。 SSMは専門家主導のマニュアルセグメンテーションの必要性によって制約されることが多い。 近年の深層学習手法により,非分割画像からのSSMの直接推定が可能となった。
  論文  参考訳（メタデータ） (2024-07-21T20:24:21Z)
• SliceMamba with Neural Architecture Search for Medical Image Segmentation [13.837666496926351]
  SliceMambaは,シンプルで効果的なマンバ型医用画像分割モデルである。 SliceMambaには、双方向機能スライシングを行う効率的な双方向スライススキャンモジュール(BSS)が含まれている。 また,対象データの特徴に基づいて最適な特徴スライス法を自動決定する適応スライス探索手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T13:13:31Z)
• 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)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Generalized Few-shot Semantic Segmentation [68.69434831359669]
  本稿では,GFS-Seg(Generalized Few-Shot Semantic)と呼ばれる新しいベンチマークを導入する。 GFS-セグにおいて、先行する最先端の一般化が不足していることを示す最初の研究である。 本研究では,1)支援サンプルから共起前の知識を活用すること,2)各クエリ画像の内容に基づいて条件付き情報に動的に拡張することにより,性能を著しく向上するコンテキスト認識型プロトタイプ学習(CAPL)を提案する。
  論文  参考訳（メタデータ） (2020-10-11T10:13:21Z)

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。