論文の概要: DB-MSMUNet:Dual Branch Multi-scale Mamba UNet for Pancreatic CT Scans Segmentation

• arxiv url: http://arxiv.org/abs/2601.04676v1
• Date: Thu, 08 Jan 2026 07:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.083343
• Title: DB-MSMUNet:Dual Branch Multi-scale Mamba UNet for Pancreatic CT Scans Segmentation
• Title（参考訳）: DB-MSMUNet:Dual Branch Multi-scale Mamba UNet for Pancreatic CT Scans Segmentation
• Authors: Qiu Guan, Zhiqiang Yang, Dezhang Ye, Yang Chen, Xinli Xu, Ying Tang,
• Abstract要約: 本稿では, 堅牢な膵管分割のために設計された新しいエンコーダデコーダアーキテクチャであるDB-MSMUNetを提案する。 膵臓データセット,NIHデータセット,臨床膵腫瘍データセットの3つのデータセットについて広範な実験を行った。 DB-MSMUNetは、89.47%、87.59%、89.02%のDice類似係数を達成し、既存の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 10.212866516862013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of the pancreas and its lesions in CT scans is crucial for the precise diagnosis and treatment of pancreatic cancer. However, it remains a highly challenging task due to several factors such as low tissue contrast with surrounding organs, blurry anatomical boundaries, irregular organ shapes, and the small size of lesions. To tackle these issues, we propose DB-MSMUNet (Dual-Branch Multi-scale Mamba UNet), a novel encoder-decoder architecture designed specifically for robust pancreatic segmentation. The encoder is constructed using a Multi-scale Mamba Module (MSMM), which combines deformable convolutions and multi-scale state space modeling to enhance both global context modeling and local deformation adaptation. The network employs a dual-decoder design: the edge decoder introduces an Edge Enhancement Path (EEP) to explicitly capture boundary cues and refine fuzzy contours, while the area decoder incorporates a Multi-layer Decoder (MLD) to preserve fine-grained details and accurately reconstruct small lesions by leveraging multi-scale deep semantic features. Furthermore, Auxiliary Deep Supervision (ADS) heads are added at multiple scales to both decoders, providing more accurate gradient feedback and further enhancing the discriminative capability of multi-scale features. We conduct extensive experiments on three datasets: the NIH Pancreas dataset, the MSD dataset, and a clinical pancreatic tumor dataset provided by collaborating hospitals. DB-MSMUNet achieves Dice Similarity Coefficients of 89.47%, 87.59%, and 89.02%, respectively, outperforming most existing state-of-the-art methods in terms of segmentation accuracy, edge preservation, and robustness across different datasets. These results demonstrate the effectiveness and generalizability of the proposed method for real-world pancreatic CT segmentation tasks.
• Abstract（参考訳）: 膵癌の正確な診断と治療には,CT検査による膵の正確な分画と病変の同定が不可欠である。 しかし、周囲の臓器との対比が低かったり、解剖学的境界がぼやけたり、不規則な臓器の形状が不規則であったり、病変の大きさが小さかったりするなど、非常に困難な課題である。 これらの問題に対処するために,我々は,堅牢な膵分断のために設計された新しいエンコーダ・デコーダアーキテクチャであるDB-MSMUNet(Dual-Branch Multi-scale Mamba UNet)を提案する。 このエンコーダは、変形可能な畳み込みとマルチスケール状態空間モデリングを組み合わせたマルチスケール・マンバ・モジュール(MSMM)を用いて構築され、グローバルなコンテキストモデリングと局所的な変形適応の両方を強化する。 エッジデコーダはエッジ拡張パス(EEP)を導入し、境界のキューとファジィな輪郭を明示的にキャプチャし、エリアデコーダは多層デコーダ(MLD)を内蔵し、微細なディテールを保存し、マルチスケールの深いセマンティック特徴を利用して小さな病変を正確に再構築する。 さらに、ADS(Auxiliary Deep Supervision)ヘッドは両デコーダに複数スケールを追加し、より正確な勾配フィードバックを提供し、マルチスケール機能の識別能力をさらに強化する。 NIH Pancreas データセット,MSD データセット,および共同病院が提供する臨床膵癌データセットの3つのデータセットについて広範な実験を行った。 DB-MSMUNetは、89.47%、87.59%、89.02%のDice類似度係数をそれぞれ達成し、セグメント化精度、エッジ保存、ロバストネスの点で既存の最先端手法よりも優れている。 これらの結果は,実世界の膵CTセグメント化作業における提案手法の有効性と一般化性を示すものである。

関連論文リスト

• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• CENet: Context Enhancement Network for Medical Image Segmentation [3.4690322157094573]
  本稿では,2つの重要なイノベーションを特徴とする新しいセグメンテーションフレームワークであるCENetを提案する。 まず、スキップ接続に統合されたDual Selective Enhancement Block(DSEB)は境界の詳細を高め、コンテキスト対応で小さな臓器の検出を改善する。 第二に、デコーダのContext Feature Attention Module (CFAM)は、空間的整合性を維持し、特徴の冗長性を低減し、過剰に拡張された表現を緩和するために、マルチスケールの設計を採用している。
  論文  参考訳（メタデータ） (2025-05-23T23:22:18Z)
• 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)
• PINN-EMFNet: PINN-based and Enhanced Multi-Scale Feature Fusion Network for Breast Ultrasound Images Segmentation [5.246262946799736]
  本研究では,PINNに基づくマルチスケール機能融合ネットワークを提案する。 ネットワークは、いくつかの構造的革新を通じて、効率的に統合し、グローバルにマルチスケールの機能をモデル化する。 このデコーダ部では,マルチスケール・フィーチャー・リファインメント・デコーダが採用され,マルチスケール・スーパービジョン機構と修正モジュールを組み合わせることで,セグメンテーション精度と適応性を大幅に向上する。
  論文  参考訳（メタデータ） (2024-12-22T09:16:00Z)
• multiPI-TransBTS: A Multi-Path Learning Framework for Brain Tumor Image Segmentation Based on Multi-Physical Information [1.7359724605901228]
  脳腫瘍距離(BraTS)は、臨床診断、治療計画、脳腫瘍の進行のモニタリングにおいて重要な役割を果たす。 腫瘍の出現、サイズ、強度の変動により、自動セグメンテーションは難しい課題である。 セグメント化精度を高めるために多物理情報を統合するトランスフォーマーベースの新しいフレームワークである MultiPI-TransBTS を提案する。
  論文  参考訳（メタデータ） (2024-09-18T17:35:19Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• 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)
• 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)

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。