論文の概要: Hard Spatial Gating for Precision-Driven Brain Metastasis Segmentation: Addressing the Over-Segmentation Paradox in Deep Attention Networks

• arxiv url: http://arxiv.org/abs/2511.22606v1
• Date: Thu, 27 Nov 2025 16:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.647375
• Title: Hard Spatial Gating for Precision-Driven Brain Metastasis Segmentation: Addressing the Over-Segmentation Paradox in Deep Attention Networks
• Title（参考訳）: 精密脳転移セグメンテーションのためのハードスペースゲーティング-ディープアテンションネットワークにおけるオーバーセグメンテーションパラドックスへの対応
• Authors: Rowzatul Zannath Prerona,
• Abstract要約: 本稿では,厳密な空間ゲーティング機構を用いた高精度アーキテクチャである空間ゲーティングネットワーク(SG-Net)を紹介する。 SG-Netは厳格な特徴選択を強制し、腫瘍の特徴を保持しながら、バックグラウンドアーティファクトを積極的に抑制する。 これらの結果から, 硬度空間ゲーティングは, 精度駆動型病変検出の堅牢な解決法として確立された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain metastasis segmentation in MRI remains a formidable challenge due to diminutive lesion sizes (5-15 mm) and extreme class imbalance (less than 2% tumor volume). While soft-attention CNNs are widely used, we identify a critical failure mode termed the "over-segmentation paradox," where models achieve high sensitivity (recall > 0.88) but suffer from catastrophic precision collapse (precision < 0.23) and boundary errors exceeding 150 mm. This imprecision poses significant risks for stereotactic radiosurgery planning. To address this, we introduce the Spatial Gating Network (SG-Net), a precision-first architecture employing hard spatial gating mechanisms. Unlike traditional soft attention, SG-Net enforces strict feature selection to aggressively suppress background artifacts while preserving tumor features. Validated on the Brain-Mets-Lung-MRI dataset (n=92), SG-Net achieves a Dice Similarity Coefficient of 0.5578 +/- 0.0243 (95% CI: 0.45-0.67), statistically outperforming Attention U-Net (p < 0.001) and ResU-Net (p < 0.001). Most critically, SG-Net demonstrates a threefold improvement in boundary precision, achieving a 95% Hausdorff Distance of 56.13 mm compared to 157.52 mm for Attention U-Net, while maintaining robust recall (0.79) and superior precision (0.52 vs. 0.20). Furthermore, SG-Net requires only 0.67M parameters (8.8x fewer than Attention U-Net), facilitating deployment in resource-constrained environments. These findings establish hard spatial gating as a robust solution for precision-driven lesion detection, directly enhancing radiosurgery accuracy.
• Abstract（参考訳）: MRIの脳転移は, 病変径5～15mm, 極度の非バランス(腫瘍体積2%未満)が原因で, 依然として致命的な課題である。 ソフトアテンションCNNは広く使われているが、「オーバーセグメンテーションパラドックス」(over-segmentation paradox)と呼ばれる臨界故障モードは、モデルが高感度(recall > 0.88)を達成するが、破滅的な精度の崩壊(precision < 0.23)と境界誤差が150mmを超える。 このインプレクションは、定位放射線治療計画に重大なリスクをもたらす。 そこで本稿では,厳密な空間ゲーティング機構を用いた高精度アーキテクチャである空間ゲーティングネットワーク(SG-Net)を紹介する。 従来のソフトアテンションとは異なり、SG-Netは厳格な特徴選択を強制し、腫瘍の特徴を保ちながら、バックグラウンドアーティファクトを積極的に抑制する。 Brain-Mets-Lung-MRIデータセット(n=92)で検証されたSG-Netは、Dice similarity Coefficientの0.5578 +/- 0.0243(95% CI: 0.45-0.67)を達成し、アテンションU-Net(p < 0.001)とResU-Net(p < 0.001)を統計的に上回る。 最も重要な点として、SG-Netは境界精度を3倍に改善し、95%のハウスドルフ距離を56.13mmとし、アテンションU-Netは157.52mmとし、堅牢なリコール(0.79)と優れた精度(0.52 vs. 0.20)を維持した。 さらに、SG-Net は 0.67M のパラメータしか必要とせず(注意 U-Net よりも 8.8 倍少ない)、リソース制約のある環境へのデプロイを容易にする。 これらの結果から, 硬度空間ゲーティングは, 精度の高い病変検出のための堅牢なソリューションとして確立され, 放射線外科の精度を直接的に向上させることができた。

関連論文リスト

• 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)
• MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection [0.0]
  我々はMobileNetV2とDenseNet201の融合モデルであるMobileDenseAttnを紹介する。 MobileDenseAttnは、グリオーマ、髄膜腫、下垂体腫瘍、正常サンプルを表す6,020個のMRIスキャンのデータセットで訓練されている。 訓練精度99.75%、試験精度98.35%、安定したF1スコア0.9835を提供する。
  論文  参考訳（メタデータ） (2025-08-22T13:24:38Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
  乳房病変の分類・分類のための新しいDeep Learning(DL)フレームワークを提案する。 本稿では,PMAD-LinkNetセグメンテーションフレームワークの高精度マッピング機構(PMM)を提案する。 また、コンポーネント固有の特徴拡張モジュール (CSFEM) を導入し、コンポーネント固有の特徴強化分類器 (CSFEC-Net) を提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:40:26Z)
• SEDNet: Shallow Encoder-Decoder Network for Brain Tumor Segmentation [0.0]
  本稿では,SEDNetと呼ばれる新しい浅層エンコーダとデコーダネットワークを含む腫瘍セグメンテーションフレームワークを提案する。 SEDNetのハイライトは、階層的畳み込みダウンサンプリングにおける十分さと、コスト効率が高く効果的な脳腫瘍セマンティックセグメンテーションのための選択的スキップメカニズムである。 SEDNet(X)は、約130万のパラメータと、最先端のSEDNet(X)と比較すると、リアルタイム臨床診断において計算的に効率的であることが示されている。
  論文  参考訳（メタデータ） (2024-01-24T11:57:25Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。