論文の概要: Variance-Penalized MC-Dropout as a Learned Smoothing Prior for Brain Tumour Segmentation

• arxiv url: http://arxiv.org/abs/2601.08956v1
• Date: Tue, 13 Jan 2026 19:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.154485
• Title: Variance-Penalized MC-Dropout as a Learned Smoothing Prior for Brain Tumour Segmentation
• Title（参考訳）: 脳腫瘍切開前における学習スムースティングとしての可変ペナライズMC-Dropout
• Authors: Satyaki Roy Chowdhury, Golrokh Mirzaei,
• Abstract要約: UAMSA-UNetは不確実性を考慮したマルチスケールアテンションに基づくベイズ型U-Netである。 我々のスムースに規則化された損失は、二進的クロスエントロピーを増大させ、ストーシャ・ティック・フォワード間の分散ペナルティを増大させる。 また、高い精度を維持しながら、U-Net++に関連するFLOPを42.5%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Brain tumor segmentation is essential for diagnosis and treatment planning, yet many CNN and U-Net based approaches produce noisy boundaries in regions of tumor infiltration. We introduce UAMSA-UNet, an Uncertainty-Aware Multi-Scale Attention-based Bayesian U-Net that in- stead leverages Monte Carlo Dropout to learn a data-driven smoothing prior over its predictions, while fusing multi-scale features and attention maps to capture both fine details and global context. Our smoothing-regularized loss augments binary cross-entropy with a variance penalty across stochas- tic forward passes, discouraging spurious fluctuations and yielding spatially coherent masks. On BraTS2023, UAMSA- UNet improves Dice Similarity Coefficient by up to 3.3% and mean IoU by up to 2.7% over U-Net; on BraTS2024, it delivers up to 4.5% Dice and 4.0% IoU gains over the best baseline. Remarkably, it also reduces FLOPs by 42.5% rel- ative to U-Net++ while maintaining higher accuracy. These results demonstrate that, by combining multi-scale attention with a learned smoothing prior, UAMSA-UNet achieves both better segmentation quality and computational efficiency, and provides a flexible foundation for future integration with transformer-based modules for further enhanced segmenta- tion results.
• Abstract（参考訳）: 脳腫瘍のセグメンテーションは診断と治療計画に不可欠であるが、多くのCNNおよびU-Netベースのアプローチは腫瘍浸潤領域にノイズ境界をもたらす。 UAMSA-UNet(Uncertainty-Aware Multi-Scale Attention-based Bayesian U-Net)は、モンテカルロ・ドロップアウト(Monte Carlo Dropout)を利用して、予測よりも先にデータ駆動スムージングを学習し、マルチスケールの機能とアテンションマップを融合して、細部とグローバルコンテキストの両方をキャプチャする。 我々のスムースに規則化された損失は、二元交叉エントロピーを二元交叉エントロピーを増大させ、確率的な変動を抑え、空間的に整合性のあるマスクを生じる。 BraTS2023では、UAMSA-UNetはDice similarity Coefficientを最大3.3%改善し、IoUを最大2.7%改善し、BraTS2024ではDiceを最大4.5%、IoUを4.0%改善した。 また、高い精度を維持しながら、U-Net++に関連するFLOPを42.5%削減する。 これらの結果から,UAMSA-UNetはより優れたセグメンテーション品質と計算効率の両立を実現し,さらに拡張されたセグメンタ-オプション結果のためのトランスフォーマ-ベースモジュールとの将来の統合のための柔軟な基盤を提供する。

関連論文リスト

• 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)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• S3TU-Net: Structured Convolution and Superpixel Transformer for Lung Nodule Segmentation [5.2752693301728355]
  マルチ次元空間コネクタとスーパーピクセルベースの視覚変換器を統合したセグメンテーションモデルS3TU-Netを提案する。 S3TU-NetはマルチビューCNN-Transformerハイブリッドアーキテクチャ上に構築されており、スーパーピクセルアルゴリズム、構造化重み付け、空間シフト技術が組み込まれている。 LIDC-IDRIデータセットの実験結果は、S3TU-Netがそれぞれ89.04%、90.73%、90.70%のDSC、精度、IoUを達成したことを示している。
  論文  参考訳（メタデータ） (2024-11-19T15:00:18Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• MM-Mixing: Multi-Modal Mixing Alignment for 3D Understanding [64.65145700121442]
  MM-Mixingは3次元理解のためのマルチモーダルミキシングアライメントフレームワークである。 提案する2段階学習パイプラインは,特徴レベルと入力レベルを混合して3Dエンコーダを最適化する。 MM-Mixingは,様々な学習シナリオにおけるベースライン性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-05-28T18:44:15Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)

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。