論文の概要: R2MF-Net: A Recurrent Residual Multi-Path Fusion Network for Robust Multi-directional Spine X-ray Segmentation

• arxiv url: http://arxiv.org/abs/2512.07576v1
• Date: Mon, 08 Dec 2025 14:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.91763
• Title: R2MF-Net: A Recurrent Residual Multi-Path Fusion Network for Robust Multi-directional Spine X-ray Segmentation
• Title（参考訳）: R2MF-Net:ロバスト多方向スピンX線セグメンテーションのための連続残差多重パス融合ネットワーク
• Authors: Xuecheng Li, Weikuan Jia, Komildzhon Sharipov, Sharipov Hotam Beknazarovich, Farzona S. Ataeva, Qurbonaliev Alisher, Yuanjie Zheng,
• Abstract要約: R2MF-Netは、スピンX線画像の自動分割に適した残差多重パスエンコーダ-デコーダネットワークである。 クロスステージスキップ機構により、微細ネットワークは複数のデコーダレベルから階層表現を再利用できる。 このボトルネックでは、スピン関連アクティベーションを強調するために、軽量な空間チャネル圧縮励起ブロックが使用される。
• 参考スコア（独自算出の注目度）: 5.499971648188868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of spinal structures in X-ray images is a prerequisite for quantitative scoliosis assessment, including Cobb angle measurement, vertebral translation estimation and curvature classification. In routine practice, clinicians acquire coronal, left-bending and right-bending radiographs to jointly evaluate deformity severity and spinal flexibility. However, the segmentation step remains heavily manual, time-consuming and non-reproducible, particularly in low-contrast images and in the presence of rib shadows or overlapping tissues. To address these limitations, this paper proposes R2MF-Net, a recurrent residual multi-path encoder--decoder network tailored for automatic segmentation of multi-directional spine X-ray images. The overall design consists of a coarse segmentation network and a fine segmentation network connected in cascade. Both stages adopt an improved Inception-style multi-branch feature extractor, while a recurrent residual jump connection (R2-Jump) module is inserted into skip paths to gradually align encoder and decoder semantics. A multi-scale cross-stage skip (MC-Skip) mechanism allows the fine network to reuse hierarchical representations from multiple decoder levels of the coarse network, thereby strengthening the stability of segmentation across imaging directions and contrast conditions. Furthermore, a lightweight spatial-channel squeeze-and-excitation block (SCSE-Lite) is employed at the bottleneck to emphasize spine-related activations and suppress irrelevant structures and background noise. We evaluate R2MF-Net on a clinical multi-view radiograph dataset comprising 228 sets of coronal, left-bending and right-bending spine X-ray images with expert annotations.
• Abstract（参考訳）: X線画像における脊椎構造の正確なセグメンテーションは、コブ角測定、脊椎翻訳推定、曲率分類など、定量的な側頭症評価の前提条件である。 日常的に、臨床医は、変形の重症度と脊椎の柔軟性を共同で評価するために、冠動脈、左屈曲、右屈曲のX線写真を取得する。 しかし、特に低コントラスト画像やリブ影や重なり合う組織の存在下では、セグメンテーションのステップは、手動、時間的、再現不可能なままである。 これらの制約に対処するため,複数方向X線画像の自動分割に適した残差多重パスエンコーダ-デコーダネットワークであるR2MF-Netを提案する。 全体的な設計は粗いセグメンテーションネットワークとカスケードに接続された細かなセグメンテーションネットワークで構成されている。 どちらのステージも改良されたインセプションスタイルのマルチブランチ機能抽出器を採用し、リカレント残留ジャンプ接続(R2-Jump)モジュールをスキップパスに挿入してエンコーダとデコーダのセマンティクスを徐々に整列させる。 マルチスケールのクロスステージスキップ(MC-Skip)機構により、微細ネットワークは、粗いネットワークの複数のデコーダレベルから階層表現を再利用し、画像方向とコントラスト条件のセグメンテーションの安定性を高めることができる。 さらに、このボトルネックにおいて、スピン関連アクティベーションを強調し、無関係構造や背景雑音を抑制するために、軽量な空間チャネル圧縮励起ブロック(SCSE-Lite)が使用される。 R2MF-Netを228セットの冠状,左屈曲,右屈曲X線画像と専門家アノテーションを用いた臨床多視点ラジオグラフィーデータセットで評価した。

関連論文リスト

• Precise Liver Tumor Segmentation in CT Using a Hybrid Deep Learning-Radiomics Framework [5.499971648188868]
  本稿では,注目度の高いU-Netと,手作りラジオミクスとボクセルワイド3DCNNの改良を併用したハイブリッドフレームワークを提案する。 2.5Dの2段階ネットワークは、密結合エンコーダ、サブピクセル畳み込みデコーダ、マルチスケールアテンションゲートを備え、初期肝と腫瘍の確率マップを生成する。 AlexNetから派生したコンパクトな3DパッチベースのCNNは、腫瘍境界付近の狭い帯域で動作し、ボクセルレベルのリラベリングと輪郭の平滑化を行う。
  論文  参考訳（メタデータ） (2025-12-08T14:09:21Z)
• Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation [33.99418884128739]
  椎骨分割精度を向上させるために,周波数強調多粒性コンテキストネットワーク(FMC-Net)を導入する。 高周波成分に対しては,HFR(High- frequency Feature Refinement)を適用し,特徴の顕著さを増幅する。 低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約する。
  論文  参考訳（メタデータ） (2025-06-29T04:53:02Z)
• CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
  CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-03T13:36:07Z)
• 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)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [66.89632406480949]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
  医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。 実験では,4つのデータセット上でのモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-24T02:58:32Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。