論文の概要: RDTE-UNet: A Boundary and Detail Aware UNet for Precise Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.01328v1
• Date: Mon, 03 Nov 2025 08:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.173952
• Title: RDTE-UNet: A Boundary and Detail Aware UNet for Precise Medical Image Segmentation
• Title（参考訳）: RDTE-UNet: 正確な医用画像セグメンテーションのための境界と詳細なUNet
• Authors: Jierui Qu, Jianchun Zhao,
• Abstract要約: 本稿では,グローバルコンテキストと局所モデリングを統一するセグメンテーションネットワークRDTE-UNetを提案する。 RDTE-UNetはResBlockの詳細を意識したトランスフォーマーのバックボーンと、適応境界拡張のためのASBE、きめ細かい特徴モデリングのためのHVDA、ユーラーの公式で導かれた融合重み付けのためのEulerFFの3つのモジュールをハイブリッドとして採用している。
• 参考スコア（独自算出の注目度）: 0.328418927821443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is essential for computer-assisted diagnosis and treatment planning, yet substantial anatomical variability and boundary ambiguity hinder reliable delineation of fine structures. We propose RDTE-UNet, a segmentation network that unifies local modeling with global context to strengthen boundary delineation and detail preservation. RDTE-UNet employs a hybrid ResBlock detail-aware Transformer backbone and three modules: ASBE for adaptive boundary enhancement, HVDA for fine-grained feature modeling, and EulerFF for fusion weighting guided by Euler's formula. Together, these components improve structural consistency and boundary accuracy across morphology, orientation, and scale. On Synapse and BUSI dataset, RDTE-UNet has achieved a comparable level in terms of segmentation accuracy and boundary quality.
• Abstract（参考訳）: 医用画像のセグメンテーションは、コンピュータによる診断と治療計画に不可欠であるが、解剖学的多様性と境界曖昧さは、微細構造の信頼性を損なう。 本研究では,地域モデリングをグローバルコンテキストと統合し,境界線と詳細保存を強化するセグメントネットワークRDTE-UNetを提案する。 RDTE-UNetは、ResBlockの詳細を意識したトランスフォーマーのバックボーンと、適応境界拡張のためのASBE、きめ細かい特徴モデリングのためのHVDA、ユーラーの公式で導かれた融合重み付けのためのEulerFFの3つのモジュールをハイブリッドとして採用している。 これらのコンポーネントは、構造的整合性と、モルフォロジー、配向、スケールにわたる境界精度を向上させる。 SynapseとBUSIデータセットでは、RDTE-UNetはセグメンテーション精度と境界品質の点で同等のレベルに達した。

関連論文リスト

• DTEA: Dynamic Topology Weaving and Instability-Driven Entropic Attenuation for Medical Image Segmentation [31.50032207382483]
  スキップ接続は、グローバルコンテキストをマージし、エンコーダとデコーダのセマンティックギャップを減らすために使用される。 本稿では,セマンティックトポロジ再構成(STR)とエントロピー摂動ゲーティング(EPG)モジュールを用いた新しいスキップ接続フレームワークを特徴とするDTEAモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-13T10:50:41Z)
• Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis [7.83167489472557]
  本稿では,改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。 この方法はトランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化する。 境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
  論文  参考訳（メタデータ） (2025-08-20T07:59:00Z)
• Robust Brain Tumor Segmentation with Incomplete MRI Modalities Using Hölder Divergence and Mutual Information-Enhanced Knowledge Transfer [10.66488607852885]
  不完全なモダリティであっても高いセグメンテーション精度を実現する頑健な単一モード並列処理フレームワークを提案する。 モデルでは、利用可能な入力に基づいてネットワークパラメータを動的に調整しながら、モダリティ固有の特徴を維持している。 これらのばらつきと情報に基づく損失関数を用いることで、このフレームワークは予測と地味ラベルの差異を効果的に定量化する。
  論文  参考訳（メタデータ） (2025-07-02T00:18:07Z)
• MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation [5.389510984268956]
  MARL(Multi-Agent Reinforcement Learning)に基づく最初の輪郭型医用画像分割フレームワークであるMARL-MambaContourを紹介する。 提案手法は,位相的に一貫したオブジェクトレベルの輪郭を生成することに焦点を当てたマルチエージェント協調タスクとしてセグメンテーションを再構成する。 5つの多様な医用画像データセットの実験は、MARL-MambaContourの最先端性能を示している。
  論文  参考訳（メタデータ） (2025-06-23T14:22:49Z)
• CENet: Context Enhancement Network for Medical Image Segmentation [3.4690322157094573]
  本稿では,2つの重要なイノベーションを特徴とする新しいセグメンテーションフレームワークであるCENetを提案する。 まず、スキップ接続に統合されたDual Selective Enhancement Block(DSEB)は境界の詳細を高め、コンテキスト対応で小さな臓器の検出を改善する。 第二に、デコーダのContext Feature Attention Module (CFAM)は、空間的整合性を維持し、特徴の冗長性を低減し、過剰に拡張された表現を緩和するために、マルチスケールの設計を採用している。
  論文  参考訳（メタデータ） (2025-05-23T23:22:18Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)

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。