Fugu-MT 論文翻訳(概要): BrainSegNet: A Novel Framework for Whole-Brain MRI Parcellation Enhanced by Large Models

論文の概要: BrainSegNet: A Novel Framework for Whole-Brain MRI Parcellation Enhanced by Large Models

arxiv url: http://arxiv.org/abs/2601.09263v1
Date: Wed, 14 Jan 2026 07:58:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-15 18:59:20.323718
Title: BrainSegNet: A Novel Framework for Whole-Brain MRI Parcellation Enhanced by Large Models
Title（参考訳）: BrainSegNet: 大規模モデルによって強化された全脳MRIパーセレーションのための新しいフレームワーク
Authors: Yucheng Li, Xiaofan Wang, Junyi Wang, Yijie Li, Xi Zhu, Mubai Du, Dian Sheng, Wei Zhang, Fan Zhang,
Abstract要約: MRIによる全脳のパーセレーションは、脳を多数の小さな不規則な形状の領域に分割する複雑さのため、非常に難しい課題である。伝統的にテンプレート登録法が用いられてきたが、近年の進歩はより高速なパーセレーションのために深層学習に移行している。本稿では,SAMを正確に95領域に適応させる新しいフレームワークであるBrainSegNetを提案する。
参考スコア（独自算出の注目度）: 12.480197601820523
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Whole-brain parcellation from MRI is a critical yet challenging task due to the complexity of subdividing the brain into numerous small, irregular shaped regions. Traditionally, template-registration methods were used, but recent advances have shifted to deep learning for faster workflows. While large models like the Segment Anything Model (SAM) offer transferable feature representations, they are not tailored for the high precision required in brain parcellation. To address this, we propose BrainSegNet, a novel framework that adapts SAM for accurate whole-brain parcellation into 95 regions. We enhance SAM by integrating U-Net skip connections and specialized modules into its encoder and decoder, enabling fine-grained anatomical precision. Key components include a hybrid encoder combining U-Net skip connections with SAM's transformer blocks, a multi-scale attention decoder with pyramid pooling for varying-sized structures, and a boundary refinement module to sharpen edges. Experimental results on the Human Connectome Project (HCP) dataset demonstrate that BrainSegNet outperforms several state-of-the-art methods, achieving higher accuracy and robustness in complex, multi-label parcellation.
Abstract（参考訳）: MRIによる全脳のパーセレーションは、脳を多数の小さな不規則な形状の領域に分割する複雑さのため、非常に難しい課題である。従来、テンプレート登録方式が用いられてきたが、最近の進歩はより高速なワークフローのためにディープラーニングに移行している。 Segment Anything Model (SAM)のような大きなモデルは、伝達可能な特徴表現を提供するが、脳のパーセレーションに必要な高精度に調整されていない。そこで本研究では,SAMを正確に95領域に適応させる新しいフレームワークであるBrainSegNetを提案する。我々は、U-Netスキップ接続と特殊なモジュールをエンコーダとデコーダに統合することによりSAMを強化し、微細な解剖学的精度を実現する。鍵となるコンポーネントは、U-Netスキップ接続とSAMのトランスフォーマーブロックを組み合わせたハイブリッドエンコーダ、様々なサイズの構造物のためのピラミッドプーリングを備えたマルチスケールアテンションデコーダ、エッジを鋭くするための境界リファインメントモジュールである。 Human Connectome Project (HCP)データセットの実験結果によると、BrainSegNetはいくつかの最先端の手法より優れており、複雑で複数ラベルのパーセレーションにおいて高い精度と堅牢性を実現している。

関連論文リスト

DB-MSMUNet:Dual Branch Multi-scale Mamba UNet for Pancreatic CT Scans Segmentation [10.212866516862013]
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。
論文参考訳（メタデータ） (2026-01-08T07:41:37Z)
HyM-UNet: Synergizing Local Texture and Global Context via Hybrid CNN-Mamba Architecture for Medical Image Segmentation [3.976000861085382]
HyM-UNet は,CNN の局所的特徴抽出能力を,Mamba の効率的なグローバルモデリング能力と相乗化するために設計された。エンコーダとデコーダのセマンティックギャップを埋めるため,Mamba-Guided Fusion Skip Connectionを提案する。その結果,HyM-UNetはDice係数とIoUで既存の最先端手法を著しく上回ることがわかった。
論文参考訳（メタデータ） (2025-11-22T09:02:06Z)
VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
論文参考訳（メタデータ） (2025-11-02T15:47:05Z)
SAM2-UNeXT: An Improved High-Resolution Baseline for Adapting Foundation Models to Downstream Segmentation Tasks [50.97089872043121]
SAM2-UNeXTはSAM2-UNetの中核となる原理を基盤とした高度なフレームワークである。我々は、補助的なDINOv2エンコーダの統合によりSAM2の表現能力を拡張する。我々のアプローチは、単純なアーキテクチャでより正確なセグメンテーションを可能にし、複雑なデコーダ設計の必要性を緩和する。
論文参考訳（メタデータ） (2025-08-05T15:36:13Z)
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)
Multi-Scale and Detail-Enhanced Segment Anything Model for Salient Object Detection [58.241593208031816]
Segment Anything Model (SAM) は、強力なセグメンテーションと一般化機能を提供する視覚的基本モデルとして提案されている。実物検出のためのMDSAM(Multi-scale and Detail-enhanced SAM)を提案する。実験により,複数のSODデータセット上でのモデルの優れた性能が示された。
論文参考訳（メタデータ） (2024-08-08T09:09:37Z)
UMBRAE: Unified Multimodal Brain Decoding [43.6339793925953]
脳信号のマルチモーダルデコードであるUMBRAEを提案する。マルチモーダル脳アライメントのための効率的なユニバーサル脳エンコーダを提案する。また,対象物固有の特徴を共通の特徴空間にマッピングするクロスオブジェクトトレーニング戦略も導入する。
論文参考訳（メタデータ） (2024-04-10T17:59:20Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文参考訳（メタデータ） (2022-05-24T03:40:48Z)
Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
論文参考訳（メタデータ） (2020-09-14T08:23:37Z)

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。