論文の概要: Uncertainty-Gated Deformable Network for Breast Tumor Segmentation in MR Images

• arxiv url: http://arxiv.org/abs/2509.15758v1
• Date: Fri, 19 Sep 2025 08:37:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.082168
• Title: Uncertainty-Gated Deformable Network for Breast Tumor Segmentation in MR Images
• Title（参考訳）: MR画像における乳腺腫瘍切開のための不確実性拡張型変形性ネットワーク
• Authors: Yue Zhang, Jiahua Dong, Chengtao Peng, Qiuli Wang, Dan Song, Guiduo Duan,
• Abstract要約: 本稿では,CNN と Transformer の相補的情報を活用する不確実性付きデフォルマブルネットワークを提案する。 提案手法は,最先端手法と比較して高いセグメンテーション性能を実現する。
• 参考スコア（独自算出の注目度）: 18.81601160202068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of breast tumors in magnetic resonance images (MRI) is essential for breast cancer diagnosis, yet existing methods face challenges in capturing irregular tumor shapes and effectively integrating local and global features. To address these limitations, we propose an uncertainty-gated deformable network to leverage the complementary information from CNN and Transformers. Specifically, we incorporates deformable feature modeling into both convolution and attention modules, enabling adaptive receptive fields for irregular tumor contours. We also design an Uncertainty-Gated Enhancing Module (U-GEM) to selectively exchange complementary features between CNN and Transformer based on pixel-wise uncertainty, enhancing both local and global representations. Additionally, a Boundary-sensitive Deep Supervision Loss is introduced to further improve tumor boundary delineation. Comprehensive experiments on two clinical breast MRI datasets demonstrate that our method achieves superior segmentation performance compared with state-of-the-art methods, highlighting its clinical potential for accurate breast tumor delineation.
• Abstract（参考訳）: MRIにおける乳腺腫瘍の正確な分節化は乳癌の診断に不可欠であるが、既存の方法では、不規則な腫瘍の形状を捉え、局所的特徴とグローバルな特徴を効果的に統合する上で課題に直面している。 これらの制約に対処するため,CNN と Transformer の相補的情報を活用する不確実性付きデフォルマブルネットワークを提案する。 具体的には、変形可能な特徴モデリングをコンボリューションとアテンションモジュールの両方に組み込んで、不規則な腫瘍輪郭に対する適応的な受容場を可能にする。 また,CNNとTransformerの相補的特徴を画素単位の不確実性に基づいて選択的に交換する不確実性拡張モジュール (U-GEM) を設計し,局所的表現とグローバル表現の両面で拡張する。 さらに境界感応性Deep Supervision Lossを導入し、腫瘍の境界線を更に改善する。 2つの臨床乳房MRIデータセットの総合的な実験により,本法は最先端の方法と比較して高いセグメンテーション性能を示し,その臨床的可能性を強調した。

関連論文リスト

• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Interactive Tumor Progression Modeling via Sketch-Based Image Editing [54.47725383502915]
  腫瘍進行編集のためのスケッチベース拡散モデルであるSkEditTumorを提案する。 スケッチを構造的先行として活用することにより,構造的整合性と視覚的リアリズムを維持しつつ,腫瘍領域の精密な修正を可能にする。 私たちのコントリビューションには、医用画像編集のための拡散モデルとスケッチの新たな統合、腫瘍進行の可視化のきめ細かい制御、複数のデータセットにわたる広範な検証などが含まれています。
  論文  参考訳（メタデータ） (2025-03-10T00:04:19Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation [13.897849323634283]
  乳がんは、世界の女性の健康を危険にさらす一般的ながんの1つである。 CNNは超音波画像から乳腺腫瘍を分離するために提案されている。 乳腺腫瘍セグメンテーションのための選択的カーネル・コンボリューションを改良した。
  論文  参考訳（メタデータ） (2022-11-05T14:15:29Z)
• CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
  磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:35:29Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。