論文の概要: MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation

• arxiv url: http://arxiv.org/abs/2510.17529v1
• Date: Mon, 20 Oct 2025 13:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.467536
• Title: MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation
• Title（参考訳）: MambaX-Net:Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation
• Authors: Yovin Yahathugoda, Davide Prezzi, Piyalitt Ittichaiwong, Vicky Goh, Sebastien Ourselin, Michela Antonelli,
• Abstract要約: MambaX-Netは、新しい半教師付きデュアルスキャン3Dセグメンテーションアーキテクチャである。 前の時点からMRIと対応するセグメンテーションマスクを利用して、時間点tのセグメンテーションを算出する。 MambaX-Netは縦方向のASデータセットで評価され、その結果、最先端のU-NetやTransformerベースのモデルよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 0.9342663938194833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active Surveillance (AS) is a treatment option for managing low and intermediate-risk prostate cancer (PCa), aiming to avoid overtreatment while monitoring disease progression through serial MRI and clinical follow-up. Accurate prostate segmentation is an important preliminary step for automating this process, enabling automated detection and diagnosis of PCa. However, existing deep-learning segmentation models are often trained on single-time-point and expertly annotated datasets, making them unsuitable for longitudinal AS analysis, where multiple time points and a scarcity of expert labels hinder their effective fine-tuning. To address these challenges, we propose MambaX-Net, a novel semi-supervised, dual-scan 3D segmentation architecture that computes the segmentation for time point t by leveraging the MRI and the corresponding segmentation mask from the previous time point. We introduce two new components: (i) a Mamba-enhanced Cross-Attention Module, which integrates the Mamba block into cross attention to efficiently capture temporal evolution and long-range spatial dependencies, and (ii) a Shape Extractor Module that encodes the previous segmentation mask into a latent anatomical representation for refined zone delination. Moreover, we introduce a semi-supervised self-training strategy that leverages pseudo-labels generated from a pre-trained nnU-Net, enabling effective learning without expert annotations. MambaX-Net was evaluated on a longitudinal AS dataset, and results showed that it significantly outperforms state-of-the-art U-Net and Transformer-based models, achieving superior prostate zone segmentation even when trained on limited and noisy data.
• Abstract（参考訳）: Active Surveillance (AS) は低リスクおよび中リスク前立腺癌(PCa)を治療するための治療法であり、連続MRIおよび臨床経過を通して疾患の進行を監視しながら過剰治療を避けることを目的としている。 正確な前立腺分節は,PCaの自動検出と診断を可能にするため,このプロセスを自動化するための重要な予備ステップである。 しかし、既存のディープラーニングセグメンテーションモデルは、多くの場合、単一時間ポイントと専門的な注釈付きデータセットでトレーニングされており、複数の時間ポイントと専門家ラベルの不足が効果的な微調整を妨げる縦方向のAS分析には適さない。 これらの課題に対処するために,MRIと対応するセグメンテーションマスクを利用して時間tのセグメンテーションを計算する,新しい半教師付きデュアルスキャン3次元セグメンテーションアーキテクチャであるMambaX-Netを提案する。 2つの新しいコンポーネントを紹介します。 一 マンバブロックをクロスアテンションに統合したマンバ強化クロスアテンションモジュールで、時間的進化及び長距離空間依存性を効率的に把握し、 (ii) 前段のセグメンテーションマスクを細分化のための潜在解剖学的表現に符号化する形状エクストラクタモジュール。 さらに、事前学習したnnU-Netから生成された擬似ラベルを活用する半教師付き自己学習戦略を導入し、専門家のアノテーションを使わずに効果的な学習を可能にする。 MambaX-Netは縦方向のASデータセットで評価され、その結果、最先端のU-NetとTransformerベースのモデルよりも優れており、制限されたデータやノイズの多いデータでトレーニングしても、より優れた前立腺領域セグメンテーションを実現していることがわかった。

関連論文リスト

• Rethinking Convergence in Deep Learning: The Predictive-Corrective Paradigm for Anatomy-Informed Brain MRI Segmentation [30.94379425064039]
  本稿では,学習を根本的に加速させるために,モデルタスクを分離するフレームワークである予測補正(PC)パラダイムを紹介する。 PCambaNetは2つの相乗的モジュールから構成される。第一に、予測優先モジュール(PPM)は計算コストの低い粗い近似を生成する。 次に、Corrective Residual Network (CRN)は、残差エラーをモデル化することを学び、ネットワークのフル容量をこれらの課題領域の精製に集中させる。
  論文  参考訳（メタデータ） (2025-10-17T08:51:33Z)
• Semi-Supervised Medical Image Segmentation via Dual Networks [1.904929457002693]
  本稿では,大規模な専門家ラベル付きデータセットへの依存を減らすために,革新的な半教師付き3次元医用画像分割法を提案する。 本稿では,コンテキスト情報を用いた既存手法の制約に対処するデュアルネットワークアーキテクチャを提案する。 臨床磁気共鳴画像実験により,我々のアプローチは最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-23T09:59:26Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• 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)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。