論文の概要: An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation

• arxiv url: http://arxiv.org/abs/2602.04227v1
• Date: Wed, 04 Feb 2026 05:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.384614
• Title: An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation
• Title（参考訳）: 直観論的ファジィ論理駆動型UNetアーキテクチャ:脳画像セグメンテーションへの応用
• Authors: Hanuman Verma, Kiho Im, Pranabesh Maji, Akshansh Gupta,
• Abstract要約: 直観的ファジィ論理(IF-UNet)を組み込んだ拡張フレームワークUNetを提案する。 このモデルはメンバーシップ、非メンバーシップ、およびヒューイテーションの度合いでデータを処理し、部分体積効果と不確実性に対処する。 実験の結果、IF-UNetは脳画像の不確実性に対処してセグメンテーション品質を改善することが確認された。
• 参考スコア（独自算出の注目度）: 3.989852248525325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of MRI brain images is essential for image analysis, diagnosis of neuro-logical disorders and medical image computing. In the deep learning approach, the convolutional neural networks (CNNs), especially UNet, are widely applied in medical image segmentation. However, it is difficult to deal with uncertainty due to the partial volume effect in brain images. To overcome this limitation, we propose an enhanced framework, named UNet with intuitionistic fuzzy logic (IF-UNet), which incorporates intuitionistic fuzzy logic into UNet. The model processes input data in terms of membership, nonmembership, and hesitation degrees, allowing it to better address tissue ambiguity resulting from partial volume effects and boundary uncertainties. The proposed architecture is evaluated on the Internet Brain Segmentation Repository (IBSR) dataset, and its performance is computed using accuracy, Dice coefficient, and intersection over union (IoU). Experimental results confirm that IF-UNet improves segmentation quality with handling uncertainty in brain images.
• Abstract（参考訳）: MRI脳画像の正確なセグメンテーションは、画像解析、神経学的障害の診断、医療画像処理に不可欠である。 ディープラーニングアプローチでは、畳み込みニューラルネットワーク(CNN)、特にUNetが医療画像セグメンテーションに広く適用されている。 しかし,脳画像における部分体積効果による不確実性に対処することは困難である。 この制限を克服するため,直観的ファジィ論理(IF-UNet)を組み込んだ拡張フレームワークUNetを提案する。 このモデルは、入力データをメンバーシップ、非メンバーシップ、ヒューイテーションの度合いで処理し、部分体積効果と境界不確実性から生じる組織のあいまいさに対処する。 提案したアーキテクチャは, Internet Brain Segmentation Repository (IBSR) データセット上で評価され, その性能は精度, ディス係数, 結合上の交叉 (IoU) を用いて計算される。 実験の結果、IF-UNetは脳画像の不確実性に対処してセグメンテーション品質を改善することが確認された。

関連論文リスト

• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• SAM vs BET: A Comparative Study for Brain Extraction and Segmentation of Magnetic Resonance Images using Deep Learning [0.0]
  Segment Anything Model (SAM)は、より正確で堅牢で汎用的なツールとして、幅広い脳の抽出とセグメンテーションの応用の可能性を秘めている。 我々はSAMを、様々な画像品質、MR配列、脳の病変が異なる脳領域に影響を及ぼす様々な脳スキャンにおいて、BETと呼ばれる、広く使われている現在の金の標準技術と比較した。
  論文  参考訳（メタデータ） (2023-04-10T17:50:52Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
  ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。 提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。 提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
  論文  参考訳（メタデータ） (2022-08-30T16:06:07Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification in Medical Image Segmentation [8.413049356622198]
  メモリ効率のよいニューラルネットワークアーキテクチャを構築するための可逆ブロック。 RevPHiSegアーキテクチャは、医用画像セグメンテーションにおける不確実性定量化のために開発された。 その結果、RevPHiSegはPHiSegに比べて30%少ないメモリを消費し、非常によく似たセグメンテーション精度を実現している。
  論文  参考訳（メタデータ） (2020-08-16T21:16:19Z)
• Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation [0.0]
  我々は,脳腫瘍画像のセグメント化のための変分推論技術に基づくエンコーダデコーダアーキテクチャを用いる。 Dice similarity Coefficient (DSC) と Intersection Over Union (IOU) を指標として, 公開されているBRATSデータセットの評価を行った。
  論文  参考訳（メタデータ） (2020-08-12T20:08:04Z)

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。