論文の概要: KLO-Net: A Dynamic K-NN Attention U-Net with CSP Encoder for Efficient Prostate Gland Segmentation from MRI

• arxiv url: http://arxiv.org/abs/2512.13902v1
• Date: Mon, 15 Dec 2025 21:17:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.497664
• Title: KLO-Net: A Dynamic K-NN Attention U-Net with CSP Encoder for Efficient Prostate Gland Segmentation from MRI
• Title（参考訳）: KLO-Net:MRIによる高効率前立腺領域分割のためのCSPエンコーダを用いた動的K-NN注意U-Net
• Authors: Anning Tian, Byunghyun Ko, Kaichen Qu, Mengyuan Liu, Jeongkyu Lee,
• Abstract要約: 我々はK-Nearest Nebor attention U-Net with Cross Stage partial(CSP)をMRIスキャンから効率的に前立腺の分節を行うために提案するKLO-Netを提案する。 通常のK-NNアテンション機構とは異なり、提案した動的K-NNアテンション機構により、スライス内の各空間位置に対するアテンション接続数を適応的に決定することができる。
• 参考スコア（独自算出の注目度）: 24.3334923337132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time deployment of prostate MRI segmentation on clinical workstations is often bottlenecked by computational load and memory footprint. Deep learning-based prostate gland segmentation approaches remain challenging due to anatomical variability. To bridge this efficiency gap while still maintaining reliable segmentation accuracy, we propose KLO-Net, a dynamic K-Nearest Neighbor attention U-Net with Cross Stage Partial, i.e., CSP, encoder for efficient prostate gland segmentation from MRI scan. Unlike the regular K-NN attention mechanism, the proposed dynamic K-NN attention mechanism allows the model to adaptively determine the number of attention connections for each spatial location within a slice. In addition, CSP blocks address the computational load to reduce memory consumption. To evaluate the model's performance, comprehensive experiments and ablation studies are conducted on two public datasets, i.e., PROMISE12 and PROSTATEx, to validate the proposed architecture. The detailed comparative analysis demonstrates the model's advantage in computational efficiency and segmentation quality.
• Abstract（参考訳）: 前立腺MRIのリアルタイム展開は、しばしば計算負荷とメモリフットプリントによってボトルネックとなる。 深層学習に基づく前立腺分節化アプローチは、解剖学的多様性のため、依然として困難である。 高いセグメンテーション精度を維持しつつ,この効率ギャップを埋めるため,MRIスキャンによる高効率前立腺セグメンテーションのためのCSPエンコーダであるK-Nearest Nebor attention U-Netを提案する。 通常のK-NNアテンション機構とは異なり、提案した動的K-NNアテンション機構により、スライス内の各空間位置に対するアテンション接続数を適応的に決定することができる。 さらに、CSPブロックはメモリ消費を減らすために計算負荷に対処する。 モデルの性能を評価するため、提案したアーキテクチャを検証するために、2つの公開データセット(Promise12とPromatex)に対して総合的な実験とアブレーション研究を行った。 詳細な比較分析は、計算効率とセグメンテーション品質におけるモデルの利点を示している。

関連論文リスト

• Bridging spatial awareness and global context in medical image segmentation [2.750124853532831]
  セグメント化性能を向上させるために,新しいU字型エンコーダデコーダネットワークであるU-CycleMLPを提案する。 エンコーダは、位置注意重みブロック、高密度アトラスブロック、ダウンサンプリング演算を用いて、マルチスケールのコンテキスト特徴を学習する。 デコーダは、アップサンプリング操作、高密度アトラスブロック、特徴融合機構を通じて高分解能セグメンテーションマスクを再構成する。
  論文  参考訳（メタデータ） (2025-12-06T20:25:24Z)
• An Efficient Approach for Muscle Segmentation and 3D Reconstruction Using Keypoint Tracking in MRI Scan [8.089892147270529]
  本研究は,キーポイント選択とルーカス・カナーデ光流を統合したキーポイント追跡に基づく,学習不要なセグメンテーション手法を提案する。 提案手法はキーポイント選択戦略に応じて0.6から0.7の範囲の平均Dice類似度係数(DSC)を実現する。
  論文  参考訳（メタデータ） (2025-07-11T15:39:28Z)
• 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)
• Chan-Vese Attention U-Net: An attention mechanism for robust segmentation [7.159201285824689]
  標準CNNアーキテクチャによって与えられるセグメンテーションマスクをより正確に制御するために,Chan-Veseエネルギー最小化を用いた新しいアテンションゲートを提案する。 本研究により,ニューラルネットワークが保持する空間情報を関心領域で観測し,二分節分割における競合結果を得ることができた。
  論文  参考訳（メタデータ） (2023-06-28T11:00:57Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Cross-scale Attention Model for Acoustic Event Classification [45.15898265162008]
  我々は,異なるスケールの特徴を明示的に統合して最終表現を形成する,クロススケールアテンション(CSA)モデルを提案する。 提案したCSAモデルは,現在最先端のディープラーニングアルゴリズムの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T07:28:57Z)

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。