論文の概要: FMD-TransUNet: Abdominal Multi-Organ Segmentation Based on Frequency Domain Multi-Axis Representation Learning and Dual Attention Mechanisms
- arxiv url: http://arxiv.org/abs/2509.16044v1
- Date: Fri, 19 Sep 2025 14:53:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 18:18:11.212164
- Title: FMD-TransUNet: Abdominal Multi-Organ Segmentation Based on Frequency Domain Multi-Axis Representation Learning and Dual Attention Mechanisms
- Title（参考訳）: FMD-TransUNet:周波数領域多軸表現学習とデュアルアテンション機構に基づく腹部マルチオーガンセグメンテーション
- Authors: Fang Lu, Jingyu Xu, Qinxiu Sun, Qiong Lou,
- Abstract要約: 本稿では,FMD-TransUNetと命名された腹腔内多臓器分割のための新しいフレームワークを提案する。
マルチ軸外部重みブロック(MEWB)と改良されたデュアルアテンションモジュール(DA+)をTransUNetフレームワークに統合する。
他の最先端の方法よりも優れており、腹部8臓器に平均81.32%、HDは16.35mmである。
- 参考スコア（独自算出の注目度）: 0.5520704649189861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate abdominal multi-organ segmentation is critical for clinical applications. Although numerous deep learning-based automatic segmentation methods have been developed, they still struggle to segment small, irregular, or anatomically complex organs. Moreover, most current methods focus on spatial-domain analysis, often overlooking the synergistic potential of frequency-domain representations. To address these limitations, we propose a novel framework named FMD-TransUNet for precise abdominal multi-organ segmentation. It innovatively integrates the Multi-axis External Weight Block (MEWB) and the improved dual attention module (DA+) into the TransUNet framework. The MEWB extracts multi-axis frequency-domain features to capture both global anatomical structures and local boundary details, providing complementary information to spatial-domain representations. The DA+ block utilizes depthwise separable convolutions and incorporates spatial and channel attention mechanisms to enhance feature fusion, reduce redundant information, and narrow the semantic gap between the encoder and decoder. Experimental validation on the Synapse dataset shows that FMD-TransUNet outperforms other recent state-of-the-art methods, achieving an average DSC of 81.32\% and a HD of 16.35 mm across eight abdominal organs. Compared to the baseline model, the average DSC increased by 3.84\%, and the average HD decreased by 15.34 mm. These results demonstrate the effectiveness of FMD-TransUNet in improving the accuracy of abdominal multi-organ segmentation.
- Abstract（参考訳）: 正確な腹部多臓器分節は臨床応用に不可欠である。
多くのディープラーニングに基づく自動分割法が開発されているが、それでも小さな、不規則な、あるいは解剖学的に複雑な臓器の分割に苦慮している。
さらに、現在のほとんどの手法は空間領域解析に重点を置いており、しばしば周波数領域表現の相乗的ポテンシャルを見越す。
これらの制約に対処するために,FMD-TransUNet という新しいフレームワークを提案する。
マルチアクシス外部重みブロック(MEWB)と改良されたデュアルアテンションモジュール(DA+)をTransUNetフレームワークに統合する。
MEWBは、大域解剖学的構造と局所境界の詳細の両方を捉えるために、多軸周波数領域の特徴を抽出し、空間領域表現を補完する情報を提供する。
DA+ブロックは、奥行き分離可能な畳み込みを利用して、空間的およびチャネル的注意機構を導入し、特徴融合を強化し、冗長な情報を低減し、エンコーダとデコーダのセマンティックギャップを狭める。
Synapseデータセットの実験的検証により、FMD-TransUNetは他の最先端の手法よりも優れており、腹部8臓器にわたる平均DSCは81.32\%、HDは16.35mmである。
ベースラインモデルと比較して、平均DSCは3.84\%増加し、平均HDは15.34mm低下した。
これらの結果から,FMD-TransUNetの腹腔多臓器分節の精度向上効果が示唆された。
関連論文リスト
- A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [30.054364701664635]
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。
論文 参考訳（メタデータ） (2025-08-08T10:14:51Z) - JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation [8.81080587136333]
我々は3次元医療データのためのデータ拡張フレームワークであるJanusNetを提案する。
私たちのSlice-Block Shuffleステップは、ランダムな軸に沿ってボリュームに同じインデックススライスブロックをシャッフルします。
我々の信頼誘導変位ステップは、予測信頼性を利用して各スライス内のブロックを置換し、困難な領域からの信号を増幅する。
論文 参考訳（メタデータ） (2025-08-06T01:08:02Z) - MSWAL: 3D Multi-class Segmentation of Whole Abdominal Lesions Dataset [41.69818086021188]
我々は,全腹部病変データセットの最初の3次元マルチクラスであるMSWALを紹介する。
MSWALは、胆石、腎臓石、肝腫瘍、腎臓腫瘍、膵癌、肝嚢胞、腎臓嚢胞など、様々な一般的な病変のカバー範囲を広げている。
Inception nnU-Netは、インセプションモジュールとnnU-Netアーキテクチャを効果的に統合し、異なるフィールドから情報を抽出する新しいセグメンテーションフレームワークである。
論文 参考訳（メタデータ） (2025-03-17T06:31:25Z) - GS-EMA: Integrating Gradient Surgery Exponential Moving Average with
Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in
Aneurysm Segmentation [41.97669338211682]
勾配手術指数移動平均(GS-EMA)最適化手法と境界対応コントラスト学習(BACL)を利用した新しい領域一般化戦略を提案する。
我々のアプローチは、ドメイン不変の特徴を学習することで、新しい未確認領域に適応し、様々な臨床データセット間での動脈瘤セグメンテーションの堅牢性と正確性を向上させることができるという点で際立っている。
論文 参考訳（メタデータ） (2024-02-23T10:02:15Z) - M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。
細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。
提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
論文 参考訳（メタデータ） (2024-01-18T23:10:08Z) - 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) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 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) - Deep Attentive Features for Prostate Segmentation in 3D Transrectal
Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。
我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。
3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文 参考訳（メタデータ） (2019-07-03T05:21:52Z)
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。