論文の概要: FreqDINO: Frequency-Guided Adaptation for Generalized Boundary-Aware Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.11335v1
• Date: Fri, 12 Dec 2025 07:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.688693
• Title: FreqDINO: Frequency-Guided Adaptation for Generalized Boundary-Aware Ultrasound Image Segmentation
• Title（参考訳）: FreqDino:一般境界型超音波画像分割のための周波数誘導適応
• Authors: Yixuan Zhang, Qing Xu, Yue Li, Xiangjian He, Qian Zhang, Mainul Haque, Rong Qu, Wenting Duan, Zhen Chen,
• Abstract要約: 境界認識と構造整合性を高める周波数誘導セグメンテーションフレームワークFreqDINOを提案する。 具体的には、低周波構造とマルチスケール高周波境界の詳細を分離するためのマルチスケール周波数抽出・アライメント戦略を考案する。 また、高周波成分から境界プロトタイプを抽出し、空間的特徴を洗練するFGBR( Frequency-Guided Boundary Refinement)モジュールも導入する。
• 参考スコア（独自算出の注目度）: 18.491659279102993
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasound image segmentation is pivotal for clinical diagnosis, yet challenged by speckle noise and imaging artifacts. Recently, DINOv3 has shown remarkable promise in medical image segmentation with its powerful representation capabilities. However, DINOv3, pre-trained on natural images, lacks sensitivity to ultrasound-specific boundary degradation. To address this limitation, we propose FreqDINO, a frequency-guided segmentation framework that enhances boundary perception and structural consistency. Specifically, we devise a Multi-scale Frequency Extraction and Alignment (MFEA) strategy to separate low-frequency structures and multi-scale high-frequency boundary details, and align them via learnable attention. We also introduce a Frequency-Guided Boundary Refinement (FGBR) module that extracts boundary prototypes from high-frequency components and refines spatial features. Furthermore, we design a Multi-task Boundary-Guided Decoder (MBGD) to ensure spatial coherence between boundary and semantic predictions. Extensive experiments demonstrate that FreqDINO surpasses state-of-the-art methods with superior achieves remarkable generalization capability. The code is at https://github.com/MingLang-FD/FreqDINO.
• Abstract（参考訳）: 超音波画像分割は臨床診断において重要であるが、スペックルノイズや画像アーティファクトに課題がある。 最近、DINOv3はその強力な表現能力を持つ医療画像セグメンテーションにおいて、顕著な将来性を示している。 しかし、DINOv3は自然画像に基づいて事前訓練されており、超音波特有の境界劣化に対する感受性に欠ける。 この制限に対処するために、境界認識と構造整合性を高める周波数誘導セグメンテーションフレームワークであるFreqDINOを提案する。 具体的には、低周波構造とマルチスケール高周波境界の詳細を分離し、学習可能な注意を払って調整するマルチスケール周波数抽出アライメント(MFEA)戦略を考案する。 また、高周波成分から境界プロトタイプを抽出し、空間的特徴を洗練するFGBR( Frequency-Guided Boundary Refinement)モジュールも導入する。 さらに、境界と意味的予測の空間的コヒーレンスを確保するために、マルチタスク境界ガイドデコーダ(MBGD)を設計する。 広汎な実験により、FreqDINOは最先端の手法を超越し、優れた一般化能力が得られることが示された。 コードはhttps://github.com/MingLang-FD/FreqDINOにある。

関連論文リスト

• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• Frequency Domain Unlocks New Perspectives for Abdominal Medical Image Segmentation [27.895077850133912]
  低コントラスト画像のフォアグラウンド領域にフォーカスするために設計されたフォアグラウンド・アウェア・スペクトラム(FASS)フレームワーク。 我々のフレームワークは、低コントラスト画像のセグメンテーションを大幅に強化し、より多彩で複雑な医療画像のシナリオに応用するための道を開く。
  論文  参考訳（メタデータ） (2025-10-13T04:44:43Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• 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)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• FreqU-FNet: Frequency-Aware U-Net for Imbalanced Medical Image Segmentation [0.0]
  FreqU-FNetは周波数領域で動作する新しいU字型セグメンテーションアーキテクチャである。 我々のフレームワークは、低パス畳み込みとDubechiesウェーブレットに基づくダウンサンプリングを利用する周波数を組み込んでいる。 複数の医療セグメンテーションベンチマークの実験では、FreqU-FNetはCNNとTransformerのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-23T06:51:24Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Unlocking Fine-Grained Details with Wavelet-based High-Frequency Enhancement in Transformers [4.208461204572879]
  医用画像のセグメンテーションは、診断、治療計画、疾患モニタリングにおいて重要な役割を担っている。 本稿では,自己注意マップを慎重に再設計することで,トランスフォーマーモデルの局所的特徴不足に対処する。 そこで本研究では,マルチスケールのコンテキスト拡張ブロックをスキップ接続内で提案し,スケール間の依存関係を適応的にモデル化する。
  論文  参考訳（メタデータ） (2023-08-25T15:42:19Z)
• 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)

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。