論文の概要: EEMS: Edge-Prompt Enhanced Medical Image Segmentation Based on Learnable Gating Mechanism
- arxiv url: http://arxiv.org/abs/2510.11287v1
- Date: Mon, 13 Oct 2025 11:21:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.337532
- Title: EEMS: Edge-Prompt Enhanced Medical Image Segmentation Based on Learnable Gating Mechanism
- Title（参考訳）: EEMS:学習可能なゲーティング機構に基づくエッジプロンプト強化医療画像セグメンテーション
- Authors: Han Xia, Quanjun Li, Qian Li, Zimeng Li, Hongbin Ye, Yupeng Liu, Haolun Li, Xuhang Chen,
- Abstract要約: EEMSはエッジ・アウェア・エンハンスメント・ユニット(EAEU)とマルチスケール・プロンプト・ジェネレーション・ユニット(MSPGU)を組み合わせた。
EAEUは、多周波数特徴抽出によるエッジ認識を強化し、境界を正確に定義する。
MSPGUは、プロンプト誘導アプローチを用いて、高レベルの意味的特徴と低レベルの空間的特徴を統合する。
Dual-Source Adaptive Gated Fusion Unit (DAGFU)は、EAEUのエッジ機能をMSPGUのセグメンテーション機能と統合し、セグメンテーション精度と堅牢性を向上する。
- 参考スコア（独自算出の注目度）: 11.380608242971435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is vital for diagnosis, treatment planning, and disease monitoring but is challenged by complex factors like ambiguous edges and background noise. We introduce EEMS, a new model for segmentation, combining an Edge-Aware Enhancement Unit (EAEU) and a Multi-scale Prompt Generation Unit (MSPGU). EAEU enhances edge perception via multi-frequency feature extraction, accurately defining boundaries. MSPGU integrates high-level semantic and low-level spatial features using a prompt-guided approach, ensuring precise target localization. The Dual-Source Adaptive Gated Fusion Unit (DAGFU) merges edge features from EAEU with semantic features from MSPGU, enhancing segmentation accuracy and robustness. Tests on datasets like ISIC2018 confirm EEMS's superior performance and reliability as a clinical tool.
- Abstract（参考訳）: 医用画像のセグメンテーションは診断、治療計画、疾患のモニタリングに不可欠であるが、あいまいな縁や背景雑音といった複雑な要因に悩まされている。
本稿では,エッジ・アウェア・エンハンスメント・ユニット(EAEU)とマルチスケール・プロンプト・ジェネレーション・ユニット(MSPGU)を組み合わせたセグメンテーションの新しいモデルであるEEMSを紹介する。
EAEUは多周波数特徴抽出によるエッジ認識を強化し、境界を正確に定義する。
MSPGUは、プロンプト誘導アプローチを用いて、高レベルの意味的特徴と低レベルの空間的特徴を統合し、正確なターゲットローカライゼーションを保証する。
Dual-Source Adaptive Gated Fusion Unit (DAGFU)は、EAEUのエッジ機能をMSPGUのセグメンテーション機能と統合し、セグメンテーション精度と堅牢性を向上する。
ISIC2018のようなデータセットのテストでは、臨床ツールとしてのEEMSの優れたパフォーマンスと信頼性が確認されている。
関連論文リスト
- Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。
このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。
提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
論文 参考訳（メタデータ） (2025-07-14T07:29:49Z) - 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) - 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) - multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。
腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。
セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
論文 参考訳（メタデータ） (2024-09-18T17:35:19Z) - 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) - Hard Exudate Segmentation Supplemented by Super-Resolution with
Multi-scale Attention Fusion Module [14.021944194533644]
硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。
本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。
我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
論文 参考訳（メタデータ） (2022-11-17T08:25:04Z)
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。