論文の概要: HBFormer: A Hybrid-Bridge Transformer for Microtumor and Miniature Organ Segmentation
- arxiv url: http://arxiv.org/abs/2512.03597v1
- Date: Wed, 03 Dec 2025 09:30:39 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 12:09:26.145857
- Title: HBFormer: A Hybrid-Bridge Transformer for Microtumor and Miniature Organ Segmentation
- Title（参考訳）: HBFormer: 腫瘍と微小臓器分離のためのハイブリッドブリッジトランス
- Authors: Fuchen Zheng, Xinyi Chen, Weixuan Li, Quanjun Li, Junhua Zhou, Xiaojiao Guo, Xuhang Chen, Chi-Man Pun, Shoujun Zhou,
- Abstract要約: HBFormerは医療画像セグメンテーションのための新しいハイブリッドブリッジトランスフォーマーアーキテクチャである。
中心となるイノベーションは、マルチスケールの機能統合のための洗練されたネクサスである'Bridge'メカニズムにある。
挑戦的な医療画像セグメンテーションデータセットの実験は、HBFormerの優れた能力を実証している。
- 参考スコア（独自算出の注目度）: 28.70680867000468
- License:
- Abstract: Medical image segmentation is a cornerstone of modern clinical diagnostics. While Vision Transformers that leverage shifted window-based self-attention have established new benchmarks in this field, they are often hampered by a critical limitation: their localized attention mechanism struggles to effectively fuse local details with global context. This deficiency is particularly detrimental to challenging tasks such as the segmentation of microtumors and miniature organs, where both fine-grained boundary definition and broad contextual understanding are paramount. To address this gap, we propose HBFormer, a novel Hybrid-Bridge Transformer architecture. The 'Hybrid' design of HBFormer synergizes a classic U-shaped encoder-decoder framework with a powerful Swin Transformer backbone for robust hierarchical feature extraction. The core innovation lies in its 'Bridge' mechanism, a sophisticated nexus for multi-scale feature integration. This bridge is architecturally embodied by our novel Multi-Scale Feature Fusion (MFF) decoder. Departing from conventional symmetric designs, the MFF decoder is engineered to fuse multi-scale features from the encoder with global contextual information. It achieves this through a synergistic combination of channel and spatial attention modules, which are constructed from a series of dilated and depth-wise convolutions. These components work in concert to create a powerful feature bridge that explicitly captures long-range dependencies and refines object boundaries with exceptional precision. Comprehensive experiments on challenging medical image segmentation datasets, including multi-organ, liver tumor, and bladder tumor benchmarks, demonstrate that HBFormer achieves state-of-the-art results, showcasing its outstanding capabilities in microtumor and miniature organ segmentation. Code and models are available at: https://github.com/lzeeorno/HBFormer.
- Abstract（参考訳）: 医用画像のセグメンテーションは現代の臨床診断の基盤となっている。
シフトしたウィンドウベースの自己注意を利用する視覚変換器は、この分野で新しいベンチマークを確立してきたが、しばしば重要な制限によって妨げられている。
この欠損は、細粒度境界の定義と広義の理解が最重要である微小腫瘍や小器官の分節化のような課題に特に寄与する。
このギャップに対処するため,新しいハイブリッドブリッジトランスアーキテクチャであるHBFormerを提案する。
HBFormerの'Hybrid'設計は、階層的な特徴抽出のために強力なSwing Transformerバックボーンを備えた古典的なU字型エンコーダデコーダフレームワークをシナジする。
中心となるイノベーションは、マルチスケールの機能統合のための洗練されたネクサスである'Bridge'メカニズムにある。
この橋は、我々の新しいマルチスケール・フィーチャー・フュージョン(MFF)デコーダによって建築的に具現化されている。
従来の対称設計とは別に、MFFデコーダは、エンコーダからグローバルなコンテキスト情報とを融合するように設計されている。
チャネルと空間的注意モジュールの相乗的な組み合わせによってこれを達成し、一連の拡張的および深さ的な畳み込みで構成されている。
これらのコンポーネントは協調して機能し、長距離依存関係を明示的にキャプチャし、例外的な精度でオブジェクト境界を洗練する強力な機能ブリッジを作成する。
多臓器、肝腫瘍、膀胱腫瘍のベンチマークを含む、挑戦的な医用画像セグメンテーションデータセットに関する包括的な実験は、HBFormerが最先端の結果を達成し、マイクロ腫瘍とミニチュア臓器セグメンテーションにおけるその卓越した能力を示すことを実証している。
コードとモデルは、https://github.com/lzeeorno/HBFormer.comで入手できる。
関連論文リスト
- AFFSegNet: Adaptive Feature Fusion Segmentation Network for Microtumors and Multi-Organ Segmentation [31.97835089989928]
医用画像のセグメンテーションは、コンピュータビジョンにおいて重要な課題であり、診断、治療計画、疾患モニタリングにおける臨床医を支援する。
本稿では,局所的特徴とグローバルな特徴を効果的に統合し,正確な医用画像分割を実現するトランスフォーマアーキテクチャである適応意味ネットワーク(ASSNet)を提案する。
多臓器、肝腫瘍、膀胱腫瘍の分節を含む様々な医療画像の分節タスクに関するテストは、ATSNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2024-09-12T06:25:44Z) - SMAFormer: Synergistic Multi-Attention Transformer for Medical Image Segmentation [28.490211130600702]
SMAFormerはトランスフォーマーをベースとしたアーキテクチャで,腫瘍や臓器のセグメンテーションを強化するために複数の注意機構を融合する。
SMAFormerは、医療画像セグメンテーションのローカル機能とグローバル機能の両方をキャプチャできる。
われわれは多臓器,肝腫瘍,膀胱腫瘍の分節化など,様々な医療画像の分節化作業について広範な実験を行い,その結果を得た。
論文 参考訳（メタデータ） (2024-08-31T04:23:33Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳（メタデータ） (2021-02-21T18:35:14Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳（メタデータ） (2021-02-08T16:10:50Z)
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。