論文の概要: NeuroVascU-Net: A Unified Multi-Scale and Cross-Domain Adaptive Feature Fusion U-Net for Precise 3D Segmentation of Brain Vessels in Contrast-Enhanced T1 MRI

• arxiv url: http://arxiv.org/abs/2511.18422v1
• Date: Sun, 23 Nov 2025 12:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.834332
• Title: NeuroVascU-Net: A Unified Multi-Scale and Cross-Domain Adaptive Feature Fusion U-Net for Precise 3D Segmentation of Brain Vessels in Contrast-Enhanced T1 MRI
• Title（参考訳）: NeuroVascU-Net : コントラスト強調T1MRIにおける脳血管の精密3次元分割のためのマルチスケール・クロスドメイン適応機能融合U-Net
• Authors: Mohammad Jafari Vayeghan, Niloufar Delfan, Mehdi Tale Masouleh, Mansour Parvaresh Rizi, Behzad Moshiri,
• Abstract要約: 我々は、T1CE MRIスキャンから直接脳血管構造を抽出するために設計された最初のディープラーニングアーキテクチャであるNeuroVascU-Netを提案する。 NeuroVascU-NetはDiceスコア0.8609、精度0.8841を達成し、主要な血管構造と微細血管構造の両方を正確に分類した。
• 参考スコア（独自算出の注目度）: 2.3418151985141926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise 3D segmentation of cerebral vasculature from T1-weighted contrast-enhanced (T1CE) MRI is crucial for safe neurosurgical planning. Manual delineation is time-consuming and prone to inter-observer variability, while current automated methods often trade accuracy for computational cost, limiting clinical use. We present NeuroVascU-Net, the first deep learning architecture specifically designed to segment cerebrovascular structures directly from clinically standard T1CE MRI in neuro-oncology patients, addressing a gap in prior work dominated by TOF-MRA-based approaches. NeuroVascU-Net builds on a dilated U-Net and integrates two specialized modules: a Multi-Scale Contextual Feature Fusion ($MSC^2F$) module at the bottleneck and a Cross-Domain Adaptive Feature Fusion ($CDA^2F$) module at deeper hierarchical layers. $MSC^2F$ captures both local and global information via multi-scale dilated convolutions, while $CDA^2F$ dynamically integrates domain-specific features, enhancing representation while keeping computation low. The model was trained and validated on a curated dataset of T1CE scans from 137 brain tumor biopsy patients, annotated by a board-certified functional neurosurgeon. NeuroVascU-Net achieved a Dice score of 0.8609 and precision of 0.8841, accurately segmenting both major and fine vascular structures. Notably, it requires only 12.4M parameters, significantly fewer than transformer-based models such as Swin U-NetR. This balance of accuracy and efficiency positions NeuroVascU-Net as a practical solution for computer-assisted neurosurgical planning.
• Abstract（参考訳）: T1-weighted contrast-enhanced (T1CE) MRIによる脳血管の精密3次元分画は、安全な神経外科的計画に不可欠である。 手動のデライン化は時間を要するため、サーバ間の変動が難しくなる一方、現在の自動化された手法では、計算コストの正確さと臨床使用の制限がしばしばある。 ToF-MRAをベースとした先行研究のギャップに対処するため,脳血管構造と臨床標準T1CE MRIを直接分離する目的で設計された最初のディープラーニングアーキテクチャであるNeuroVascU-Netを提案する。 NeuroVascU-Netは拡張されたU-Net上に構築され、ボトルネック時のマルチスケールコンテキスト特徴フュージョン(MSC^2F$)モジュールと、階層的な深い層におけるクロスドメイン適応特徴フュージョン(CDA^2F$)モジュールの2つの特別なモジュールを統合する。 MSC^2F$はマルチスケールの拡張畳み込みによってローカル情報とグローバル情報の両方をキャプチャするが、$CDA^2F$は動的にドメイン固有の機能を統合し、計算の低さを維持しながら表現を強化する。 このモデルは、137人の脳腫瘍生検患者から得られたT1CEスキャンのデータセットでトレーニングされ、検証された。 NeuroVascU-NetはDiceスコア0.8609、精度0.8841を達成し、主要な血管構造と微細血管構造の両方を正確に分類した。 特に12.4Mのパラメータしか必要とせず、Swin U-NetRのようなトランスフォーマーベースのモデルよりもはるかに少ない。 この精度と効率のバランスは、NeuroVascU-Netをコンピュータ支援神経外科計画の実用的な解決策として位置づける。

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)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release [1.9492386975158917]
  さまざまな被験者を対象に,ボリュームセグメンテーションラベルを用いた98個のMRI画像を収集した。 我々は,3つの2次元U-Netからなるマルチ軸ネットワークを開発し,矢状面,軸面,コロナ面で独立に動作させた。
  論文  参考訳（メタデータ） (2025-01-30T19:31:13Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor Detection from Brain MRI Images considering Data Imbalance [0.0]
  CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。 提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。 トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
  論文  参考訳（メタデータ） (2023-08-01T15:35:06Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• A Neural Ordinary Differential Equation Model for Visualizing Deep Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
  我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。 すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
  論文  参考訳（メタデータ） (2022-03-01T17:16:41Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
  我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
  論文  参考訳（メタデータ） (2021-03-22T05:19:40Z)
• Deep Learning Estimation of Multi-Tissue Constrained Spherical Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
  深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。 2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。 繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
  論文  参考訳（メタデータ） (2020-02-20T15:59:03Z)

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。