論文の概要: Enhancing Video Object Segmentation in TrackRAD Using XMem Memory Network

• arxiv url: http://arxiv.org/abs/2509.18591v1
• Date: Tue, 23 Sep 2025 03:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.680125
• Title: Enhancing Video Object Segmentation in TrackRAD Using XMem Memory Network
• Title（参考訳）: XMemメモリネットワークを用いたトラックラジオにおける映像オブジェクトのセグメンテーションの強化
• Authors: Pengchao Deng, Shengqi Chen,
• Abstract要約: 本稿では,TrackRAD2025の課題に対して,リアルタイムMRI誘導放射線治療のための高度な腫瘍セグメンテーションフレームワークを提案する。 本手法は,メモリ拡張アーキテクチャであるXMemモデルを用いて,長期のcine-MRIシークエンスに腫瘍を分割する。 提案システムでは,記憶機構を効率よく統合し,腫瘍の動きをリアルタイムで追跡し,限られたアノテートデータを持つ挑戦条件下でも高いセグメンテーション精度を実現する。
• 参考スコア（独自算出の注目度）: 3.531001078516606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an advanced tumor segmentation framework for real-time MRI-guided radiotherapy, designed for the TrackRAD2025 challenge. Our method leverages the XMem model, a memory-augmented architecture, to segment tumors across long cine-MRI sequences. The proposed system efficiently integrates memory mechanisms to track tumor motion in real-time, achieving high segmentation accuracy even under challenging conditions with limited annotated data. Unfortunately, the detailed experimental records have been lost, preventing us from reporting precise quantitative results at this stage. Nevertheless, From our preliminary impressions during development, the XMem-based framework demonstrated reasonable segmentation performance and satisfied the clinical real-time requirement. Our work contributes to improving the precision of tumor tracking during MRI-guided radiotherapy, which is crucial for enhancing the accuracy and safety of cancer treatments.
• Abstract（参考訳）: 本稿では,TrackRAD2025の課題に対して,リアルタイムMRI誘導放射線治療のための高度な腫瘍セグメンテーションフレームワークを提案する。 本手法は,メモリ拡張アーキテクチャであるXMemモデルを用いて,長期のcine-MRIシークエンスに腫瘍を分割する。 提案システムでは,記憶機構を効率よく統合し,腫瘍の動きをリアルタイムで追跡し,限られたアノテートデータを持つ挑戦条件下でも高いセグメンテーション精度を実現する。 残念ながら、詳細な実験記録は失われており、この段階で正確な定量的結果を報告できない。 それでも,XMemをベースとしたフレームワークは,開発中の予備的な印象から,合理的なセグメンテーション性能を示し,臨床リアルタイム要件を満たした。 本研究は,MRI誘導放射線治療における腫瘍追跡の精度向上に寄与し,がん治療の精度と安全性の向上に不可欠である。

関連論文リスト

• Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding [0.0]
  脳腫瘍セグメンテーションの性能と計算効率の両面を最適化するために,新しいマルチスケール・コンボリューショナル・アテンション・デコーダを用いた。 このモデルにより得られた予備結果は、最高のDiceスコア0.31を達成し、トレーニング過程を通して安定した平均Diceスコア0.285プラス/minus0.015を維持した。
  論文  参考訳（メタデータ） (2025-09-05T18:23:47Z)
• 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)
• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• 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)
• Is Long Range Sequential Modeling Necessary For Colorectal Tumor Segmentation? [3.4031606383293154]
  TransformersやMambaのような長距離ボリュームシーケンスモデリング機構は、3次元画像分割において高い精度を実現する能力に注目を集めている。 我々は,これらのグローバルトークンモデリング手法の有効性を,提案したMambaOutUNetに比較して評価した。 本研究は,ロバストな局所トークン相互作用が,関心領域が小さく,解剖学的に複雑である場合に,長距離モデリング技術より優れていることを示唆する。
  論文  参考訳（メタデータ） (2025-02-10T23:24:01Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• 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)

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。