論文の概要: NNDM: NN_UNet Diffusion Model for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2510.09681v1
• Date: Wed, 08 Oct 2025 22:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.552911
• Title: NNDM: NN_UNet Diffusion Model for Brain Tumor Segmentation
• Title（参考訳）: NNDM: NN_UNet Diffusion Model for Brain tumor Segmentation
• Authors: Sashank Makanaboyina,
• Abstract要約: 本稿では,NN-UNet の頑健な特徴抽出と拡散確率モデルの生成機能を統合するハイブリッドフレームワーク NNDM (NN_UNet Diffusion Model) を提案する。 提案手法では, NN-UNet が生成するセグメンテーションマスクを, 予測マスクと接地トラスマスクの残差分布を学習することにより, 段階的に改良する。 BraTS 2021データセットで行った実験は、NNDMが従来のU-Netやトランスフォーマーベースラインよりも優れた性能を発揮することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate detection and segmentation of brain tumors in magnetic resonance imaging (MRI) are critical for effective diagnosis and treatment planning. Despite advances in convolutional neural networks (CNNs) such as U-Net, existing models often struggle with generalization, boundary precision, and limited data diversity. To address these challenges, we propose NNDM (NN\_UNet Diffusion Model)a hybrid framework that integrates the robust feature extraction of NN-UNet with the generative capabilities of diffusion probabilistic models. In our approach, the diffusion model progressively refines the segmentation masks generated by NN-UNet by learning the residual error distribution between predicted and ground-truth masks. This iterative denoising process enables the model to correct fine structural inconsistencies and enhance tumor boundary delineation. Experiments conducted on the BraTS 2021 datasets demonstrate that NNDM achieves superior performance compared to conventional U-Net and transformer-based baselines, yielding improvements in Dice coefficient and Hausdorff distance metrics. Moreover, the diffusion-guided refinement enhances robustness across modalities and tumor subregions. The proposed NNDM establishes a new direction for combining deterministic segmentation networks with stochastic diffusion models, advancing the state of the art in automated brain tumor analysis.
• Abstract（参考訳）: MRI(MRI)における脳腫瘍の正確な検出とセグメンテーションは、効果的な診断と治療計画に重要である。 U-Netのような畳み込みニューラルネットワーク(CNN)の進歩にもかかわらず、既存のモデルは一般化、境界精度、限られたデータの多様性に苦しむことが多い。 これらの課題に対処するために,NN-UNet の頑健な特徴抽出と拡散確率モデルの生成機能を統合するハイブリッドフレームワーク NNDM (NN\_UNet Diffusion Model) を提案する。 提案手法では, NN-UNet が生成するセグメンテーションマスクを, 予測マスクと接地トラスマスクの残差分布を学習することにより, 段階的に改良する。 この反復的 denoising プロセスにより、モデルが微細な構造上の不整合を補正し、腫瘍境界の delineation を高めることができる。 BraTS 2021データセットで行った実験では、NNDMは従来のU-Netやトランスフォーマーベースラインよりも優れた性能を示し、Dice係数とHausdorff距離の測定値が改善された。 さらに、拡散誘導精製は、モダリティと腫瘍亜領域をまたいだ堅牢性を高める。 提案したNNDMは、決定論的セグメンテーションネットワークと確率的拡散モデルを組み合わせるための新しい方向を確立し、自動脳腫瘍解析の最先端を推し進める。

関連論文リスト

• Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization [22.36875245255393]
  メッセージパッシングニューラルネットワーク(MPNN)は、グラフ構造化データから学習するゴートモデルとして登場した。 MPNNはいまだに過度なスムースや相関などの深刻な問題を引き起こしている。 本稿では,ストレスの局所化と正規化を含む最適化フレームワーク上に構築された新しいMPNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-11-25T06:52:35Z)
• Bayesian Neural Networks vs. Mixture Density Networks: Theoretical and Empirical Insights for Uncertainty-Aware Nonlinear Modeling [2.0797819204842036]
  本研究では,不確実性を考慮した非線形回帰に対するベイズニューラルネットワーク(BNN)と混合密度ネットワーク(MDN)のアプローチを比較する。 理論的には、H"古い滑らかさ条件下での収束率と誤差境界を導出し、MDNがより高速なクルバック・リーブラー(KL)分散収束を実現することを示す。 本研究は, 非線形システムにおける不確実性を考慮したモデリングの指針として, 後進的および確率的確率論的学習の相補的強みを明らかにした。
  論文  参考訳（メタデータ） (2025-10-28T22:00:30Z)
• VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation [2.538209532048867]
  VGDMは脳腫瘍の検出とセグメンテーションのための視覚誘導拡散フレームワークである。 拡散過程のコアに視覚変換器を埋め込む。 トランスフォーマーバックボーンは、MRIボリューム全体にわたってより効果的な空間関係のモデリングを可能にする。 ボクセルレベルの誤差を緩和し、きめ細かい腫瘍の詳細を回復する。
  論文  参考訳（メタデータ） (2025-10-02T14:52:08Z)
• uGMM-NN: Univariate Gaussian Mixture Model Neural Network [0.0]
  uGMM-NNは、ディープネットワークの計算ユニットに直接確率論的推論を組み込む新しいニューラルネットワークである。 従来のマルチ層パーセプトロンと比較して,uGMM-NNは競争力のある識別性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-09-09T10:13:37Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• 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)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。