論文の概要: AMGFormer: Adaptive Multi-Granular Transformer for Brain Tumor Segmentation with Missing Modalities

• arxiv url: http://arxiv.org/abs/2601.19349v1
• Date: Tue, 27 Jan 2026 08:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.249291
• Title: AMGFormer: Adaptive Multi-Granular Transformer for Brain Tumor Segmentation with Missing Modalities
• Title（参考訳）: AMGFormer: 欠損モードを有する脳腫瘍切片に対する適応型多角形変圧器
• Authors: Chengxiang Guo, Jian Wang, Junhua Fei, Xiao Li, Chunling Chen, Yun Jin,
• Abstract要約: AMGFormerを提案し、3つの相乗的モジュールによる安定性を著しく向上させる。 BraTS 2018では、89.33%のWT、82.70%のTC、67.23%のET Diceスコアが15のモードの組み合わせで0.5%のばらつきで達成されている。 単一モダリティETセグメンテーションは、最先端手法よりも40～81%改善している。
• 参考スコア（独自算出の注目度）: 6.461582089537306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal MRI is essential for brain tumor segmentation, yet missing modalities in clinical practice cause existing methods to exhibit >40% performance variance across modality combinations, rendering them clinically unreliable. We propose AMGFormer, achieving significantly improved stability through three synergistic modules: (1) QuadIntegrator Bridge (QIB) enabling spatially adaptive fusion maintaining consistent predictions regardless of available modalities, (2) Multi-Granular Attention Orchestrator (MGAO) focusing on pathological regions to reduce background sensitivity, and (3) Modality Quality-Aware Enhancement (MQAE) preventing error propagation from corrupted sequences. On BraTS 2018, our method achieves 89.33% WT, 82.70% TC, 67.23% ET Dice scores with <0.5% variance across 15 modality combinations, solving the stability crisis. Single-modality ET segmentation shows 40-81% relative improvements over state-of-the-art methods. The method generalizes to BraTS 2020/2021, achieving up to 92.44% WT, 89.91% TC, 84.57% ET. The model demonstrates potential for clinical deployment with 1.2s inference. Code: https://github.com/guochengxiangives/AMGFormer.
• Abstract（参考訳）: マルチモーダルMRIは、脳腫瘍のセグメンテーションに必須であるが、臨床実践におけるモダリティの欠如により、既存の手法では、モダリティの組み合わせ間で40%以上のパフォーマンスのばらつきが示され、臨床的に信頼性が低い。 AMGFormerを提案するのは,(1)QIB(QuadIntegrator Bridge)と(2)MGAO(Multi-Granular Attention Orchestrator)の3つの相乗的モジュールによる安定性の向上である。 BraTS 2018では、89.33%のWT、82.70%のTC、67.23%のET Diceスコアを15のモードの組み合わせで0.5%のばらつきで達成し、安定性の危機を解決した。 単一モダリティETセグメンテーションは、最先端手法よりも40～81%改善している。 この方法はBraTS 2020/2021に一般化され、最大92.44%のWT、89.91%のTC、84.57%のETとなる。 このモデルは1.2s推論による臨床展開の可能性を示す。 コード:https://github.com/guochengxiangives/AMGFormer。

関連論文リスト

• MGML: A Plug-and-Play Meta-Guided Multi-Modal Learning Framework for Incomplete Multimodal Brain Tumor Segmentation [22.18722266135522]
  臨床実践では、マルチモーダルMRIデータはしばしば不完全であり、利用可能な情報を十分に活用することは困難である。 本稿では,2つのコンポーネントからなるメタガイド型マルチモーダル学習(MGML)フレームワークを提案する。 利用可能なモダリティに基づいて適応型ソフトラベル監視信号を生成することにより、Meta-AMFはよりコヒーレントなマルチモーダル融合を促進する。
  論文  参考訳（メタデータ） (2025-12-30T01:37:04Z)
• ReFRM3D: A Radiomics-enhanced Fused Residual Multiparametric 3D Network with Multi-Scale Feature Fusion for Glioma Characterization [4.546739588274135]
  グリオーマは、高い死亡率と複雑な診断過程を特徴とする最も攻撃的ながんの一つである。 グリオーマの診断と分類に関する既存の研究は、画像データの高可変性などの問題をしばしば記述している。 腫瘍のセグメンテーションと分類効率を向上させるために, マルチパラメトリックMRIデータを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-12-27T12:12:53Z)
• 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)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)

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。