論文の概要: CenterMamba-SAM: Center-Prioritized Scanning and Temporal Prototypes for Brain Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2511.01243v1
- Date: Mon, 03 Nov 2025 05:27:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:27.128212
- Title: CenterMamba-SAM: Center-Prioritized Scanning and Temporal Prototypes for Brain Lesion Segmentation
- Title（参考訳）: CenterMamba-SAM:脳病変分節に対するセンタープライオライズされたスキャンと時間的プロトタイプ
- Authors: Yu Tian, Zhongheng Yang, Chenshi Liu, Yiyun Su, Ziwei Hong, Zexi Gong, Jingyuan Xu,
- Abstract要約: CenterMamba-SAMは、トレーニング済みのバックボーンを凍結し、効率的な微調整のための軽量アダプタのみを訓練するエンドツーエンドフレームワークである。
コアとなるCenterMambaエンコーダは、3x3角軸中心短周期走査方式を採用している。
メモリ駆動構造プロンプト発生器は、隣接するスライスにまたがるプロトタイプバンクを維持し、信頼性の高いプロンプトの自動合成を可能にする。
- 参考スコア（独自算出の注目度）: 8.455097722395125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain lesion segmentation remains challenging due to small, low-contrast lesions, anisotropic sampling, and cross-slice discontinuities. We propose CenterMamba-SAM, an end-to-end framework that freezes a pretrained backbone and trains only lightweight adapters for efficient fine-tuning. At its core is the CenterMamba encoder, which employs a novel 3x3 corner-axis-center short-sequence scanning strategy to enable center-prioritized, axis-reinforced, and diagonally compensated information aggregation. This design enhances sensitivity to weak boundaries and tiny foci while maintaining sparse yet effective feature representation. A memory-driven structural prompt generator maintains a prototype bank across neighboring slices, enabling automatic synthesis of reliable prompts without user interaction, thereby improving inter-slice coherence. The memory-augmented multi-scale decoder integrates memory attention modules at multiple levels, combining deep supervision with progressive refinement to restore fine details while preserving global consistency. Extensive experiments on public benchmarks demonstrate that CenterMamba-SAM achieves state-of-the-art performance in brain lesion segmentation.
- Abstract（参考訳）: 脳病変のセグメンテーションは、小さな低コントラスト病変、異方性サンプリング、およびクロススライス不連続により依然として困難である。
トレーニング済みのバックボーンを凍結するエンドツーエンドフレームワークであるCenterMamba-SAMを提案する。
コアとなるCenterMambaエンコーダは、3x3角軸中心短系列走査戦略を採用し、中央優先、軸強化、斜め補正された情報アグリゲーションを可能にする。
この設計は、弱い境界と小さな焦点に対する感度を高めつつ、スパースで効果的な特徴表現を維持している。
メモリ駆動型構造的プロンプト発生装置は、隣接するスライスにまたがるプロトタイプバンクを維持し、ユーザ間相互作用なしに信頼性の高いプロンプトの自動合成を可能にし、スライス間コヒーレンスを改善する。
メモリ拡張されたマルチスケールデコーダは、メモリアテンションモジュールを複数のレベルに統合し、高度な監視とプログレッシブリファインメントを組み合わせて、グローバルな一貫性を維持しながら詳細を復元する。
公開ベンチマークでの大規模な実験により、CenterMamba-SAMは脳病変のセグメンテーションにおける最先端のパフォーマンスを達成することが示された。
関連論文リスト
- MambaX-Net: Dual-Input Mamba-Enhanced Cross-Attention Network for Longitudinal MRI Segmentation [0.9342663938194833]
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。
論文 参考訳（メタデータ） (2025-10-20T13:32:42Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。
具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。
さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
論文 参考訳（メタデータ） (2025-09-16T13:40:20Z) - Scalable Segmentation for Ultra-High-Resolution Brain MR Images [9.295998760042169]
本稿では,空間参照やガイダンスとして,アクセスが容易で解像度の低い粗いラベルを利用する新しいフレームワークを提案する。
我々のアプローチは、クラスごとの符号付き距離変換マップを回帰し、スムーズで境界対応の監視を可能にする。
本手法は,合成データセットと実世界のデータセットの総合的な実験を通じて検証する。
論文 参考訳（メタデータ） (2025-05-27T19:34:55Z) - MSA-UNet3+: Multi-Scale Attention UNet3+ with New Supervised Prototypical Contrastive Loss for Coronary DSA Image Segmentation [8.850534640462081]
冠状DSA画像のセグメンテーションを高めるために,教師付きおよび原型的コントラスト学習を融合させるスーパービジョン型コントラスト損失を提案する。
MSA-UNet3+: Multi-Scale Attention-Enhanced UNet3+アーキテクチャで提案したSPCL損失を実装した。
プライベート冠DSAデータセットの実験では、MSA-UNet3+が最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-04-07T15:35:30Z) - Semi-supervised Semantic Segmentation with Multi-Constraint Consistency Learning [81.02648336552421]
本稿では,エンコーダとデコーダの段階的拡張を容易にするためのマルチ制約一貫性学習手法を提案する。
自己適応型特徴マスキングとノイズ注入は、デコーダの堅牢な学習のための特徴を摂動させるために、インスタンス固有の方法で設計されている。
Pascal VOC2012およびCityscapesデータセットの実験結果から,提案したMCCLが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2025-03-23T03:21:33Z) - FASTer: Focal Token Acquiring-and-Scaling Transformer for Long-term 3D Object Detection [9.291995455336929]
我々はFAST(Focal Token Acquring-and-Scaling Transformer)を提案する。
FASTerは、適応的で軽量な方法でトークンシーケンスを凝縮する。
性能と効率の両方で、他の最先端の検出器よりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-28T03:15:33Z) - Center Focusing Network for Real-Time LiDAR Panoptic Segmentation [58.1194137706868]
高精度かつリアルタイムなLiDARパノプティブセグメンテーションを実現するために、CFNet(Central Focus Network)を導入した。
CFFEは、元のLiDARポイントと仮想インスタンスセンターの関係を明確に理解するために提案されている。
我々のCFNetは、すべての既存のメソッドを大きなマージンで上回り、最も効率的なメソッドよりも1.6倍高速です。
論文 参考訳（メタデータ） (2023-11-16T01:52:11Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z)
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。