論文の概要: BMDS-Net: A Bayesian Multi-Modal Deep Supervision Network for Robust Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2601.17504v1
• Date: Sat, 24 Jan 2026 16:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.894585
• Title: BMDS-Net: A Bayesian Multi-Modal Deep Supervision Network for Robust Brain Tumor Segmentation
• Title（参考訳）: BMDS-Net:ロバスト脳腫瘍分離のためのベイズ型マルチモーダルディープスーパービジョンネットワーク
• Authors: Yan Zhou, Zhen Huang, Yingqiu Li, Yue Ouyang, Suncheng Xiang, Zehua Wang,
• Abstract要約: BMDS-Netは,簡易な測定基準よりも臨床の堅牢性と信頼性を優先する統合フレームワークである。 まず,Zero-Init Multimodal Conmodal Fusion (MMCF)モジュールとResidual-Gated Deep Decoder Supervision (DDS)機構を統合することで,ロバストな決定論的バックボーンを構築する。 第2に,ネットワークを確率予測器に変換するメモリ効率のよいベイズ微調整戦略を導入し,ボクセル的不確実性マップを提供する。 第三に、BraTS 2021データセットに関する包括的な実験は、BMDS-Netが競争精度を維持するだけでなく、競争力も維持していることを示した。
• 参考スコア（独自算出の注目度）: 21.538098924595754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate brain tumor segmentation from multi-modal magnetic resonance imaging (MRI) is a prerequisite for precise radiotherapy planning and surgical navigation. While recent Transformer-based models such as Swin UNETR have achieved impressive benchmark performance, their clinical utility is often compromised by two critical issues: sensitivity to missing modalities (common in clinical practice) and a lack of confidence calibration. Merely chasing higher Dice scores on idealized data fails to meet the safety requirements of real-world medical deployment. In this work, we propose BMDS-Net, a unified framework that prioritizes clinical robustness and trustworthiness over simple metric maximization. Our contribution is three-fold. First, we construct a robust deterministic backbone by integrating a Zero-Init Multimodal Contextual Fusion (MMCF) module and a Residual-Gated Deep Decoder Supervision (DDS) mechanism, enabling stable feature learning and precise boundary delineation with significantly reduced Hausdorff Distance, even under modality corruption. Second, and most importantly, we introduce a memory-efficient Bayesian fine-tuning strategy that transforms the network into a probabilistic predictor, providing voxel-wise uncertainty maps to highlight potential errors for clinicians. Third, comprehensive experiments on the BraTS 2021 dataset demonstrate that BMDS-Net not only maintains competitive accuracy but, more importantly, exhibits superior stability in missing-modality scenarios where baseline models fail. The source code is publicly available at https://github.com/RyanZhou168/BMDS-Net.
• Abstract（参考訳）: マルチモーダルMRI(Multi-modal magnetic resonance imaging)による脳腫瘍の正確なセグメンテーションは、正確な放射線治療計画と手術ナビゲーションの前提条件である。 最新のTransformerベースのモデルであるSwin UNETRは、ベンチマークのパフォーマンスを著しく向上させているが、その臨床的有用性は、欠落したモダリティに対する感受性(臨床実践でよく見られる)と信頼性の校正の欠如という2つの重大な問題によって、しばしば損なわれている。 理想化されたデータでDiceのスコアを上げるだけでは、実際の医療展開の安全性要件を満たすことができません。 本研究では,簡易な計量最大化よりも臨床の堅牢性と信頼性を優先する統合フレームワークBMDS-Netを提案する。 私たちの貢献は3倍です。 まず,Zero-Init Multimodal Contextual Fusion (MMCF) モジュールとResidual-Gated Deep Decoder Supervision (DDS) 機構を統合し,Hausdorff Distance を著しく低減した安定な特徴学習と精度の高い境界デライン化を実現することで,ロバストな決定論的バックボーンを構築する。 第2に,我々は,ネットワークを確率的予測器に変換するメモリ効率のよいベイズ微調整戦略を導入し,臨床医の潜在的なエラーを明らかにするためのボクセル的不確実性マップを提供する。 第三に、BraTS 2021データセットに関する包括的な実験では、BMDS-Netは競争精度を維持するだけでなく、ベースラインモデルが失敗する欠落したモダリティシナリオにおいて優れた安定性を示す。 ソースコードはhttps://github.com/RyanZhou168/BMDS-Netで公開されている。

関連論文リスト

• Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
  ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。 高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
  論文  参考訳（メタデータ） (2025-03-28T09:39:37Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• ICFNet: Integrated Cross-modal Fusion Network for Survival Prediction [24.328576712419814]
  本稿では,スライド画像全体,ゲノム表現プロファイル,患者の人口統計,治療プロトコルを統合した総合的クロスモーダル・フュージョン・ネットワーク(ICFNet)を提案する。 ICFNetは、5つのパブリックTCGAデータセットで最先端のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2025-01-06T05:49:08Z)
• Informative Priors Improve the Reliability of Multimodal Clinical Data Classification [7.474271086307501]
  ニューラルネットワークを考慮し、ネットワークパラメータよりも先に分布する、テーラーメイドのマルチモーダルデータ駆動型(M2D2)を設計する。 我々は、M2D2以前のベイズニューラルネットワークをトレーニングするために、単純でスケーラブルな平均場変動推定を用いる。 実験の結果,提案手法は決定論的およびベイズ的ニューラルネットワークベースラインと比較して,より信頼性の高い予測モデルを生成することがわかった。
  論文  参考訳（メタデータ） (2023-11-17T03:44:15Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• An Efficient Confidence Measure-Based Evaluation Metric for Breast Cancer Screening Using Bayesian Neural Networks [3.834509400202395]
  乳がん検診における信頼度測定に基づく評価基準を提案する。 ベースライン変換学習と比較して,信頼度が向上し,画像集合の精度が向上することを示す。
  論文  参考訳（メタデータ） (2020-08-12T20:34:14Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。