論文の概要: Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2512.07275v1
• Date: Mon, 08 Dec 2025 08:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.778535
• Title: Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation
• Title（参考訳）: 皮膚病変分離のための効果的な注意誘導型マルチスケール医療ネットワーク
• Authors: Siyu Wang, Hua Wang, Huiyu Li, Fan Zhang,
• Abstract要約: 本稿では,マルチスケール残差構造に基づく革新的なエンコーダ・デコーダネットワークアーキテクチャを提案する。 MRCF (Multi-Resolution Multi-Channel Fusion) モジュールの導入により, クロススケールな特徴を捉え, 抽出した情報の明瞭度と精度を向上させる。 また、注意範囲を再定義し、複数のコンテキストにまたがる重みを動的に計算するCross-Mix Attention Module (CMAM)を提案する。
• 参考スコア（独自算出の注目度）: 12.606268951019965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of healthcare, precise skin lesion segmentation is crucial for the early detection and accurate diagnosis of skin diseases. Despite significant advances in deep learning for image processing, existing methods have yet to effectively address the challenges of irregular lesion shapes and low contrast. To address these issues, this paper proposes an innovative encoder-decoder network architecture based on multi-scale residual structures, capable of extracting rich feature information from different receptive fields to effectively identify lesion areas. By introducing a Multi-Resolution Multi-Channel Fusion (MRCF) module, our method captures cross-scale features, enhancing the clarity and accuracy of the extracted information. Furthermore, we propose a Cross-Mix Attention Module (CMAM), which redefines the attention scope and dynamically calculates weights across multiple contexts, thus improving the flexibility and depth of feature capture and enabling deeper exploration of subtle features. To overcome the information loss caused by skip connections in traditional U-Net, an External Attention Bridge (EAB) is introduced, facilitating the effective utilization of information in the decoder and compensating for the loss during upsampling. Extensive experimental evaluations on several skin lesion segmentation datasets demonstrate that the proposed model significantly outperforms existing transformer and convolutional neural network-based models, showcasing exceptional segmentation accuracy and robustness.
• Abstract（参考訳）: 医療分野では、皮膚疾患の早期発見と正確な診断には、正確な皮膚病変の分節が不可欠である。 画像処理におけるディープラーニングの進歩にもかかわらず、既存の手法はまだ不規則な病変形状と低コントラストの課題に効果的に対処していない。 これらの課題に対処するために,多スケール残差構造に基づく革新的なエンコーダ・デコーダネットワークアーキテクチャを提案し,様々な受容領域から豊富な特徴情報を抽出し,病変領域を効果的に同定する。 MRCF (Multi-Resolution Multi-Channel Fusion) モジュールの導入により, クロススケールな特徴を捉え, 抽出した情報の明瞭度と精度を向上させる。 さらに,注意範囲を再定義し,複数のコンテキストにまたがる重みを動的に計算し,特徴キャプチャの柔軟性と深さを向上し,微妙な特徴のより深い探索を可能にするCross-Mix Attention Module (CMAM)を提案する。 従来のU-Netにおけるスキップ接続による情報損失を克服するため、外部注意橋(EAB)を導入し、デコーダにおける情報の有効活用を容易にし、アップサンプリング時の損失を補償する。 いくつかの皮膚病変セグメンテーションデータセットに対する広範囲な実験的評価は、提案モデルが既存のトランスフォーマーと畳み込みニューラルネットワークベースモデルを大幅に上回っており、例外的なセグメンテーション精度とロバスト性を示していることを示している。

関連論文リスト

• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation [5.246262946799736]
  本研究では,PINNに基づくマルチスケール機能融合ネットワークを提案する。 ネットワークは、いくつかの構造的革新を通じて、効率的に統合し、グローバルにマルチスケールの機能をモデル化する。 このデコーダ部では,マルチスケール・フィーチャー・リファインメント・デコーダが採用され,マルチスケール・スーパービジョン機構と修正モジュールを組み合わせることで,セグメンテーション精度と適応性を大幅に向上する。
  論文  参考訳（メタデータ） (2024-12-22T09:16:00Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Convolutional neural network based on sparse graph attention mechanism for MRI super-resolution [0.34410212782758043]
  深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。 既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。 画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T06:14:22Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)

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。