論文の概要: SYNAPSE-Net: A Unified Framework with Lesion-Aware Hierarchical Gating for Robust Segmentation of Heterogeneous Brain Lesions

• arxiv url: http://arxiv.org/abs/2510.26961v1
• Date: Thu, 30 Oct 2025 19:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.902009
• Title: SYNAPSE-Net: A Unified Framework with Lesion-Aware Hierarchical Gating for Robust Segmentation of Heterogeneous Brain Lesions
• Title（参考訳）: SynAPSE-Net:不均一脳病変のロバスト分割のための病変認識階層的ゲーティング統合フレームワーク
• Authors: Md. Mehedi Hassan, Shafqat Alam, Shahriar Ahmed Seam, Maruf Ahmed,
• Abstract要約: 一般化とロバスト性の両方のために設計された適応型フレームワークであるUnified Multi-Stream SynAPSE-Netを提案する。 このフレームワークは、マルチストリームCNNエンコーダ、グローバルコンテキストのためのSwin Transformerボトルネック、動的モーダルアテンション融合機構を統合した、新しいハイブリッドアーキテクチャの上に構築されている。 モデルは3つの異なる公開データセットで評価された。
• 参考スコア（独自算出の注目度）: 0.23332469289621785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated segmentation of heterogeneous brain lesions from multi-modal MRI remains a critical challenge in clinical neuroimaging. Current deep learning models are typically specialized `point solutions' that lack generalization and high performance variance, limiting their clinical reliability. To address these gaps, we propose the Unified Multi-Stream SYNAPSE-Net, an adaptive framework designed for both generalization and robustness. The framework is built on a novel hybrid architecture integrating multi-stream CNN encoders, a Swin Transformer bottleneck for global context, a dynamic cross-modal attention fusion (CMAF) mechanism, and a hierarchical gated decoder for high-fidelity mask reconstruction. The architecture is trained with a variance reduction strategy that combines pathology specific data augmentation and difficulty-aware sampling method. The model was evaluated on three different challenging public datasets: the MICCAI 2017 WMH Challenge, the ISLES 2022 Challenge, and the BraTS 2020 Challenge. Our framework attained a state-of-the-art DSC value of 0.831 with the HD95 value of 3.03 in the WMH dataset. For ISLES 2022, it achieved the best boundary accuracy with a statistically significant difference (HD95 value of 9.69). For BraTS 2020, it reached the highest DSC value for the tumor core region (0.8651). These experimental findings suggest that our unified adaptive framework achieves state-of-the-art performance across multiple brain pathologies, providing a robust and clinically feasible solution for automated segmentation. The source code and the pre-trained models are available at https://github.com/mubid-01/SYNAPSE-Net-pre.
• Abstract（参考訳）: 多モードMRIからの異種脳病変の自動分離は、臨床神経画像診断において重要な課題である。 現在のディープラーニングモデルは一般的に、一般化と高性能な分散を欠く特殊な「ポイントソリューション」であり、臨床的な信頼性を制限している。 これらのギャップに対処するために,一般化とロバスト性の両方に配慮した適応型フレームワークであるUnified Multi-Stream SynAPSE-Netを提案する。 このフレームワークは、マルチストリームCNNエンコーダ、グローバルコンテキストにおけるSwin Transformerのボトルネック、ダイナミック・クロスモーダルアテンション・フュージョン(CMAF)機構、ハイファイダリティマスク再構築のための階層ゲートデコーダを組み合わせた新しいハイブリッドアーキテクチャに基づいている。 このアーキテクチャは、病理特異的データ拡張と難読サンプリングを併用した分散低減戦略で訓練されている。 このモデルは、MICCAI 2017 WMH Challenge、ISLES 2022 Challenge、BraTS 2020 Challengeの3つの異なるパブリックデータセットで評価された。 我々のフレームワークは、WMHデータセットのHD95値3.03で、最先端のDSC値0.831に達した。 ISLES 2022では、統計的に有意な差(HD95値は9.69)で最良の境界精度を達成した。 BraTS 2020では、腫瘍コア領域(0.8651)で最も高いDSC値に達した。 これらの実験結果から、我々の統合適応フレームワークは、複数の脳病理にまたがる最先端のパフォーマンスを達成し、自動化セグメンテーションのための堅牢で臨床的に実現可能なソリューションを提供する可能性が示唆された。 ソースコードと事前訓練されたモデルはhttps://github.com/mubid-01/SYNAPSE-Net-preで入手できる。

関連論文リスト

• A Novel Multi-branch ConvNeXt Architecture for Identifying Subtle Pathological Features in CT Scans [1.2461503242570642]
  本稿では,医療画像解析の難題に特化して設計されたマルチブランチConvNeXtアーキテクチャを提案する。 提案モデルでは,厳密なデータ前処理から拡張まで,厳格なエンドツーエンドパイプラインを組み込んでいる。 実験結果から、最終的なROC-AUCは0.9937、バリデーション精度は0.9757、F1スコアは0.9825である。
  論文  参考訳（メタデータ） (2025-10-10T08:00:46Z)
• Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset [1.996975578218265]
  我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。 合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
  論文  参考訳（メタデータ） (2025-08-21T22:09:53Z)
• F3-Net: Foundation Model for Full Abnormality Segmentation of Medical Images with Flexible Input Modality Requirement [0.0]
  F3-Netは、臨床医用画像セグメンテーションにおける永続的な課題を克服するために設計された基礎モデルである。 統一されたアーキテクチャは、グリオーマ、転移、脳卒中、および白質病変を再トレーニングすることなく、マルチパスセグメンテーションをサポートする。 F3-Netは、BraTS-GLI 2024では0.94、BraTS-MET 2024では0.82、BraTS 2021では0.94、ISLES 2022では0.79のDice similarity Coefficient(DSC)を達成する。
  論文  参考訳（メタデータ） (2025-07-11T10:03:23Z)
• 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)
• An Efficient and Mixed Heterogeneous Model for Image Restoration [71.85124734060665]
  現在の主流のアプローチは、CNN、Transformers、Mambasの3つのアーキテクチャパラダイムに基づいている。 混合構造融合に基づく効率的で汎用的なIRモデルであるRestorMixerを提案する。
  論文  参考訳（メタデータ） (2025-04-15T08:19:12Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)

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。