論文の概要: Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis
- arxiv url: http://arxiv.org/abs/2508.14509v1
- Date: Wed, 20 Aug 2025 07:59:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 16:52:41.383776
- Title: Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis
- Title（参考訳）: Transformer-CNN Fusion を用いた深部皮膚病変切除 : インテリジェント皮膚癌解析に向けて
- Authors: Xin Wang, Xiaopei Zhang, Xingang Wang,
- Abstract要約: 本稿では,改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。
この方法はトランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化する。
境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
- 参考スコア（独自算出の注目度）: 7.83167489472557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a high-precision semantic segmentation method based on an improved TransUNet architecture to address the challenges of complex lesion structures, blurred boundaries, and significant scale variations in skin lesion images. The method integrates a transformer module into the traditional encoder-decoder framework to model global semantic information, while retaining a convolutional branch to preserve local texture and edge features. This enhances the model's ability to perceive fine-grained structures. A boundary-guided attention mechanism and multi-scale upsampling path are also designed to improve lesion boundary localization and segmentation consistency. To verify the effectiveness of the approach, a series of experiments were conducted, including comparative studies, hyperparameter sensitivity analysis, data augmentation effects, input resolution variation, and training data split ratio tests. Experimental results show that the proposed model outperforms existing representative methods in mIoU, mDice, and mAcc, demonstrating stronger lesion recognition accuracy and robustness. In particular, the model achieves better boundary reconstruction and structural recovery in complex scenarios, making it well-suited for the key demands of automated segmentation tasks in skin lesion analysis.
- Abstract（参考訳）: 本稿では, 複雑な病変構造, ぼやけた境界, 皮膚病変画像の大規模な変化に対処するために, 改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。
この方法は、トランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化すると同時に、局所的なテクスチャとエッジの特徴を保持するための畳み込み分岐を保持する。
これにより、モデルがきめ細かな構造を知覚する能力が向上する。
境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
提案手法の有効性を検証するため, 比較研究, ハイパーパラメータ感度分析, データ拡張効果, 入力解像度の変動, トレーニングデータ分割比テストなど, 一連の実験を行った。
実験結果から,mIoU,mDice,mAccの既存の代表法よりも高い性能を示し,病変認識精度とロバスト性を示した。
特に、複雑なシナリオにおける境界再構成と構造回復が向上し、皮膚病変解析における自動セグメンテーションタスクの重要な要求に適合する。
関連論文リスト
- Data-Efficient Meningioma Segmentation via Implicit Spatiotemporal Mixing and Sim2Real Semantic Injection [6.992254817538211]
本研究では,空間的多様体展開と意味的オブジェクト注入を統合した新しい二重拡張フレームワークを提案する。
我々のフレームワークは,nnU-NetやU-Mambaといった最先端モデルのデータ効率とロバスト性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2026-01-19T09:11:28Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation [12.606268951019965]
本稿では,マルチスケール残差構造に基づく革新的なエンコーダ・デコーダネットワークアーキテクチャを提案する。
MRCF (Multi-Resolution Multi-Channel Fusion) モジュールの導入により, クロススケールな特徴を捉え, 抽出した情報の明瞭度と精度を向上させる。
また、注意範囲を再定義し、複数のコンテキストにまたがる重みを動的に計算するCross-Mix Attention Module (CMAM)を提案する。
論文 参考訳（メタデータ） (2025-12-08T08:15:39Z) - Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。
私たちのアプローチの中心は、強化学習と因果推論を統合することです。
提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
論文 参考訳（メタデータ） (2025-11-10T12:45:52Z) - GANet-Seg: Adversarial Learning for Brain Tumor Segmentation with Hybrid Generative Models [1.0456203870202954]
この研究は、事前訓練されたGANとUnetアーキテクチャを利用した脳腫瘍セグメンテーションのための新しいフレームワークを導入する。
グローバルな異常検出モジュールと改良されたマスク生成ネットワークを組み合わせることで,腫瘍感受性領域を正確に同定する。
マルチモーダルMRIデータと合成画像拡張を用いて、ロバスト性を改善し、限られたアノテートデータセットの課題に対処する。
論文 参考訳（メタデータ） (2025-06-26T13:28:09Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - Deep models for stroke segmentation: do complex architectures always perform better? [1.4651272514940197]
ストロークセグメンテーションは脳卒中患者の診断と治療において重要な役割を担っている。
一般的な医用画像分割のためのディープモデルが導入された。
本研究では,最近提案された4種類の深部モデルを選択し,脳卒中セグメンテーションの性能評価を行った。
論文 参考訳（メタデータ） (2024-03-25T20:44:01Z) - 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) - 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) - 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)
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。