論文の概要: A-QCF-Net: An Adaptive Quaternion Cross-Fusion Network for Multimodal Liver Tumor Segmentation from Unpaired Datasets

• arxiv url: http://arxiv.org/abs/2512.21760v1
• Date: Thu, 25 Dec 2025 18:42:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 11:55:33.649214
• Title: A-QCF-Net: An Adaptive Quaternion Cross-Fusion Network for Multimodal Liver Tumor Segmentation from Unpaired Datasets
• Title（参考訳）: A-QCF-Net: 障害のないデータセットからのマルチモーダル肝腫瘍切除のための適応的四次クロスフュージョンネットワーク
• Authors: Arunkumar V, Firos V M, Senthilkumar S, Gangadharan G R,
• Abstract要約: 本稿では,A-QCF-Net(Adaptive Quaternion Cross-Fusion Network)を提案する。 我々は,未実装のLiTS (CT) と ATLAS (MRI) データセットの1つのモデルを共同でトレーニングすることで,この枠組みを検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Multimodal medical imaging provides complementary information that is crucial for accurate delineation of pathology, but the development of deep learning models is limited by the scarcity of large datasets in which different modalities are paired and spatially aligned. This paper addresses this fundamental limitation by proposing an Adaptive Quaternion Cross-Fusion Network (A-QCF-Net) that learns a single unified segmentation model from completely separate and unpaired CT and MRI cohorts. The architecture exploits the parameter efficiency and expressive power of Quaternion Neural Networks to construct a shared feature space. At its core is the Adaptive Quaternion Cross-Fusion (A-QCF) block, a data driven attention module that enables bidirectional knowledge transfer between the two streams. By learning to modulate the flow of information dynamically, the A-QCF block allows the network to exchange abstract modality specific expertise, such as the sharp anatomical boundary information available in CT and the subtle soft tissue contrast provided by MRI. This mutual exchange regularizes and enriches the feature representations of both streams. We validate the framework by jointly training a single model on the unpaired LiTS (CT) and ATLAS (MRI) datasets. The jointly trained model achieves Tumor Dice scores of 76.7% on CT and 78.3% on MRI, significantly exceeding the strong unimodal nnU-Net baseline by margins of 5.4% and 4.7% respectively. Furthermore, comprehensive explainability analysis using Grad-CAM and Grad-CAM++ confirms that the model correctly focuses on relevant pathological structures, ensuring the learned representations are clinically meaningful. This provides a robust and clinically viable paradigm for unlocking the large unpaired imaging archives that are common in healthcare.
• Abstract（参考訳）: マルチモーダル・メディカル・イメージングは、病理の正確な記述に不可欠な補完的な情報を提供するが、深層学習モデルの開発は、異なるモダリティがペア化され空間的に整列する大きなデータセットの不足によって制限される。 本稿では,A-QCF-Net(Adaptive Quaternion Cross-Fusion Network)を提案することで,この基本的限界に対処する。 このアーキテクチャは、第4次ニューラルネットワークのパラメータ効率と表現力を利用して、共有特徴空間を構築する。 中心となるのはAdaptive Quaternion Cross-Fusion (A-QCF)ブロックである。 A-QCFブロックは、動的に情報の流れを調節することを学ぶことで、CTで利用可能な鋭い解剖学的境界情報やMRIで提供される微妙な軟組織コントラストなど、抽象的なモダリティ固有の専門知識をネットワークに交換することを可能にする。 この相互交換は、両方のストリームの特徴表現を規則化し、強化する。 我々は,未実装のLiTS (CT) と ATLAS (MRI) データセットの1つのモデルを共同でトレーニングすることで,この枠組みを検証する。 共同訓練されたモデルでは、CTでは76.7%、MRIでは78.3%の腫瘍Diceスコアが得られ、それぞれ5.4%と4.7%の差で強い単調なnnU-Netベースラインをはるかに上回っている。 さらに、Grad-CAMとGrad-CAM++を用いた包括的説明可能性分析により、モデルが適切な病理構造に焦点を当て、学習された表現が臨床的に意味があることを確認する。 これは、医療に共通する大きな未使用の画像アーカイブをアンロックするための、堅牢で臨床的に実行可能なパラダイムを提供する。

関連論文リスト

• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  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。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation [0.624829068285122]
  機能アライメントのための強化学習により強化されたデュアルブランチU-Netアーキテクチャを提案する。 このモデルは、デュアルブランチU字型ネットワークを用いて、CTとMRIのパッチを並列に処理し、新しいRL-XAlignモジュールを導入する。 公開されているMM-WHS 2017データセットの実験結果は、提案されたRL-U$2$Netが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-04T16:12:06Z)
• Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
  本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。 このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。 提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
  論文  参考訳（メタデータ） (2025-07-14T07:29:49Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• A4-Unet: Deformable Multi-Scale Attention Network for Brain Tumor Segmentation [23.615243823025857]
  脳腫瘍のセグメンテーションモデルは近年診断に役立っている。 彼らは不規則な形状や不明瞭な境界など、MRIの複雑さと変動性の課題に直面している。 これらの問題に対処する新しいネットワークA4-Unetを提案する。
  論文  参考訳（メタデータ） (2024-12-08T22:28:53Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)

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。