論文の概要: Frequency Domain Unlocks New Perspectives for Abdominal Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.11005v1
• Date: Mon, 13 Oct 2025 04:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.203662
• Title: Frequency Domain Unlocks New Perspectives for Abdominal Medical Image Segmentation
• Title（参考訳）: 腹腔鏡下画像分割術における周波数領域の新たな展望
• Authors: Kai Han, Siqi Ma, Chengxuan Qian, Jun Chen, Chongwen Lyu, Yuqing Song, Zhe Liu,
• Abstract要約: 低コントラスト画像のフォアグラウンド領域にフォーカスするために設計されたフォアグラウンド・アウェア・スペクトラム(FASS)フレームワーク。 我々のフレームワークは、低コントラスト画像のセグメンテーションを大幅に強化し、より多彩で複雑な医療画像のシナリオに応用するための道を開く。
• 参考スコア（独自算出の注目度）: 27.895077850133912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of tumors and adjacent normal tissues in medical images is essential for surgical planning and tumor staging. Although foundation models generally perform well in segmentation tasks, they often struggle to focus on foreground areas in complex, low-contrast backgrounds, where some malignant tumors closely resemble normal organs, complicating contextual differentiation. To address these challenges, we propose the Foreground-Aware Spectrum Segmentation (FASS) framework. First, we introduce a foreground-aware module to amplify the distinction between background and the entire volume space, allowing the model to concentrate more effectively on target areas. Next, a feature-level frequency enhancement module, based on wavelet transform, extracts discriminative high-frequency features to enhance boundary recognition and detail perception. Eventually, we introduce an edge constraint module to preserve geometric continuity in segmentation boundaries. Extensive experiments on multiple medical datasets demonstrate superior performance across all metrics, validating the effectiveness of our framework, particularly in robustness under complex conditions and fine structure recognition. Our framework significantly enhances segmentation of low-contrast images, paving the way for applications in more diverse and complex medical imaging scenarios.
• Abstract（参考訳）: 医用画像における腫瘍と隣接する正常組織の正確な分節化は,外科的計画と腫瘍転移に不可欠である。 基礎モデルは一般的にセグメンテーションのタスクでよく機能するが、複雑な低コントラストの背景において、いくつかの悪性腫瘍が通常の臓器によく似ており、文脈の区別が複雑である前景に焦点を合わせるのに苦労することが多い。 これらの課題に対処するため、我々はフォアグラウンド・アウェア・スペクトラム・セグメンテーション(FASS)フレームワークを提案する。 まず、背景と体積空間全体の区別を増幅する前景認識モジュールを導入し、モデルがより効果的に対象領域に集中できるようにする。 次に、ウェーブレット変換に基づく特徴レベル周波数強調モジュールが、境界認識と詳細知覚を強化するために識別可能な高周波特徴を抽出する。 最終的に、セグメンテーション境界における幾何学的連続性を維持するために、エッジ制約モジュールを導入する。 複数の医療データセットに対する大規模な実験は、全ての指標において優れた性能を示し、特に複雑な条件下での堅牢性や微細構造認識において、我々のフレームワークの有効性を検証する。 我々のフレームワークは、低コントラスト画像のセグメンテーションを大幅に強化し、より多彩で複雑な医療画像のシナリオに応用するための道を開く。

関連論文リスト

• InceptionMamba: Efficient Multi-Stage Feature Enhancement with Selective State Space Model for Microscopic Medical Image Segmentation [15.666926528144202]
  InceptionMambaという,多段階のリッチな機能をエンコードするセグメンテーションタスクのための効率的なフレームワークを提案する。 我々は,低周波領域と高周波領域の両方を捕捉し,多段特徴を豊かにするためにセマンティック・キューを利用する。 本モデルでは,2つの挑戦的微視的セグメンテーションデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-13T20:25:12Z)
• Advancing Generalizable Tumor Segmentation with Anomaly-Aware Open-Vocabulary Attention Maps and Frozen Foundation Diffusion Models [11.774375458215193]
  Generalizable tumorは、さまざまな解剖学的領域にまたがるゼロショット腫瘍セグメンテーションのための単一のモデルを訓練することを目的としている。 DiffuGTSはテキストプロンプトに基づいて、異常対応のオープン語彙アテンションマップを生成する。 4つのデータセットと7つの腫瘍カテゴリの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2025-05-05T16:05:37Z)
• Enhancing SAM with Efficient Prompting and Preference Optimization for Semi-supervised Medical Image Segmentation [30.524999223901645]
  完全教師なし方式で生成されるアノテーション効率のよいプロンプトを利用するSAM(Segment Anything Model)フレームワークを提案する。 我々は、モデルが高忠実度セグメンテーションを生成できるように最適なポリシーを設計するために、直接選好最適化手法を採用する。 X線, 超音波, 腹部CTなど多彩な領域にわたる肺分節, 乳房腫瘍分節, 臓器分節などのタスクにおける我々のフレームワークの最先端性能は, 低アノテーションデータシナリオにおけるその有効性を正当化するものである。
  論文  参考訳（メタデータ） (2025-03-06T17:28:48Z)
• MGFI-Net: A Multi-Grained Feature Integration Network for Enhanced Medical Image Segmentation [0.3108011671896571]
  医用画像のセグメンテーションにおける大きな課題は、ノイズ、低コントラスト、複雑な解剖学的構造の存在に対する関心領域の正確な記述を実現することである。 既存のセグメンテーションモデルは、多粒度情報の統合を無視し、エッジの詳細を保存できないことが多い。 我々は,Multi-Grained Feature Integration Network (MGFI-Net)と呼ばれる新しい画像セマンティックセマンティクスモデルを提案する。 私たちのMGFI-Netは、これらの問題に対処するための2つの専用のモジュールで設計されています。
  論文  参考訳（メタデータ） (2025-02-19T15:24:34Z)
• ConDSeg: A General Medical Image Segmentation Framework via Contrast-Driven Feature Enhancement [5.117018155594986]
  コントラスト駆動医療画像(ConDSeg)というフレームワークを提案する。 様々な照明およびコントラストシナリオにおけるエンコーダの堅牢性を改善するように設計されている。 画像内の異なる大きさのエンティティを正確に特定し、共起特徴の誤学習を避ける。
  論文  参考訳（メタデータ） (2024-12-11T12:34:49Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。