論文の概要: Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI

• arxiv url: http://arxiv.org/abs/2512.20436v1
• Date: Tue, 23 Dec 2025 15:24:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.922952
• Title: Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI
• Title（参考訳）: Dual-Encoder Transformer-based Multimodal Learning for Ischemic Stroke Lesion Segmentation using Diffusion MRI
• Authors: Muhammad Usman, Azka Rehman, Muhammad Mutti Ur Rehman, Abd Ur Rehman, Muhammad Umar Farooq,
• Abstract要約: ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
• 参考スコア（独自算出の注目度）: 5.332404648315838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of ischemic stroke lesions from diffusion magnetic resonance imaging (MRI) is essential for clinical decision-making and outcome assessment. Diffusion-Weighted Imaging (DWI) and Apparent Diffusion Coefficient (ADC) scans provide complementary information on acute and sub-acute ischemic changes; however, automated lesion delineation remains challenging due to variability in lesion appearance. In this work, we study ischemic stroke lesion segmentation using multimodal diffusion MRI from the ISLES 2022 dataset. Several state-of-the-art convolutional and transformer-based architectures, including U-Net variants, Swin-UNet, and TransUNet, are benchmarked. Based on performance, a dual-encoder TransUNet architecture is proposed to learn modality-specific representations from DWI and ADC inputs. To incorporate spatial context, adjacent slice information is integrated using a three-slice input configuration. All models are trained under a unified framework and evaluated using the Dice Similarity Coefficient (DSC). Results show that transformer-based models outperform convolutional baselines, and the proposed dual-encoder TransUNet achieves the best performance, reaching a Dice score of 85.4% on the test set. The proposed framework offers a robust solution for automated ischemic stroke lesion segmentation from diffusion MRI.
• Abstract（参考訳）: 拡散磁気共鳴画像(MRI)による虚血性脳梗塞の正確な分画は、臨床的意思決定と予後評価に不可欠である。 Diffusion-Weighted Imaging (DWI) と Apparent Diffusion Coefficient (ADC) は急性期および亜急性期における虚血変化の相補的な情報を提供するが, 病変の出現のばらつきが原因で, 自動病変の脱線が困難である。 本研究はISLES 2022データセットからの多モード拡散MRIを用いて虚血性脳梗塞の分節について検討する。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 DWI と ADC の入力からモダリティ固有の表現を学習するために,デュアルエンコーダ TransUNet アーキテクチャを提案する。 空間コンテキストを組み込むため、隣接するスライス情報を3つのスライス入力構成で統合する。 全てのモデルは統一されたフレームワークの下で訓練され、Dice similarity Coefficient (DSC) を用いて評価される。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。 提案するフレームワークは,拡散MRIによる虚血性脳梗塞の自動化のための堅牢な解決策を提供する。

関連論文リスト

• Improved mmFormer for Liver Fibrosis Staging via Missing-Modality Compensation [8.687370165870613]
  本稿では,mmFormerアーキテクチャをベースとしたマルチモーダルMRI分類モデルを提案する。 本手法は,Real-world 医療画像の総合解析・計算テストセット(CARE 2025 Challenge)に基づいて評価する。 In-distribution vendors におけるCirrhosis Detection と Substantial Fibrosis Detection では,66.67% と74.17% の精度を示し,AUC では 71.73% と68.48% の精度を示した。
  論文  参考訳（メタデータ） (2025-09-19T21:31:05Z)
• DMCIE: Diffusion Model with Concatenation of Inputs and Errors to Improve the Accuracy of the Segmentation of Brain Tumors in MRI Images [0.9374652839580183]
  DMCIE(Diffusion Model with Concatenation of Inputs and Errors)を提案する。 我々は3次元U-Netを用いて初期セグメンテーションマスクを生成し、そこから予測と基底真理の差を識別して誤差マップを生成する。 マルチモーダルMRI入力(T1,T1ce,T2,FLAIR)を用いて、DMCIEは、元の入力で導かれる誤分類領域に着目して、セグメント化精度を効果的に向上する。
  論文  参考訳（メタデータ） (2025-07-01T17:34:50Z)
• Deep Learning-Driven Segmentation of Ischemic Stroke Lesions Using Multi-Channel MRI [0.0]
  本研究は,虚血性脳梗塞の分節化のための新しい深層学習法を提案する。 提案アーキテクチャは、DenseNet121をエンコーダとして、デコーダに自己組織化オペレーショナルニューラルネットワーク(ONN)を組み込む。 DWIだけで83.88%、DWIとADCで85.86%、DWI、ADC、eDWIの統合で87.49%のDice similarity Coefficients(DSC)を達成した。
  論文  参考訳（メタデータ） (2025-01-04T13:38:06Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images [0.2578242050187029]
  多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。 今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。 著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:37:43Z)

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。