論文の概要: LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation

• arxiv url: http://arxiv.org/abs/2603.04795v1
• Date: Thu, 05 Mar 2026 04:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.065865
• Title: LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation
• Title（参考訳）: LAW & ORDER:医療拡散・分節のための適応的空間重み付け
• Authors: Anugunj Naman, Ayushman Singh, Gaibo Zhang, Yaguang Zhang,
• Abstract要約: Learnable Adaptive Weighter (LAW) は拡散訓練のための特徴とマスクから画素当たりの損失変調を予測する。 ORDERは、効率的なセグメンテーションのために、遅延デコーダ段階で選択的双方向スキップ注意を適用する。 ポリープおよび腎腫瘍データセットの実験により、LAWは20%のFID産生改善を達成することが示された。
• 参考スコア（独自算出の注目度）: 3.6879658915311997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image analysis relies on accurate segmentation, and benefits from controllable synthesis (of new training images). Yet both tasks of the cyclical pipeline face spatial imbalance: lesions occupy small regions against vast backgrounds. In particular, diffusion models have been shown to drift from prescribed lesion layouts, while efficient segmenters struggle on spatially uncertain regions. Adaptive spatial weighting addresses this by learning where to allocate computational resources. This paper introduces a pair of network adapters: 1) Learnable Adaptive Weighter (LAW) which predicts per-pixel loss modulation from features and masks for diffusion training, stabilized via a mix of normalization, clamping, and regularization to prevent degenerate solutions; and 2) Optimal Region Detection with Efficient Resolution (ORDER) which applies selective bidirectional skip attention at late decoder stages for efficient segmentation. Experiments on polyp and kidney tumor datasets demonstrate that LAW achieves 20% FID generative improvement over a uniform baseline (52.28 vs. 65.60), with synthetic data then improving downstream segmentation by 4.9% Dice coefficient (83.2% vs. 78.3%). ORDER reaches 6.0% Dice improvement on MK-UNet (81.3% vs. 75.3%) with 0.56 GFLOPs and just 42K parameters, remaining 730x smaller than the standard nnUNet.
• Abstract（参考訳）: 医用画像解析は、正確なセグメンテーションと(新しい訓練画像の)制御可能な合成の利点に依存している。 しかし、循環パイプラインのどちらのタスクも空間的不均衡に直面しており、病変は広大な背景に対して小さな領域を占有している。 特に拡散モデルでは, 空間的に不確実な領域で効率の良いセグメンタが苦労する一方で, 所定の配置からドリフトすることが示されている。 適応的空間重み付けは、計算資源の割り当て場所を学習することでこの問題に対処する。 本稿では,2組のネットワークアダプタを紹介する。 1)拡散訓練のための特徴とマスクから画素当たりの損失変調を予測する学習可能な適応ウェイター(LAW) 2) 効率的なセグメンテーションのために, 遅延デコーダ段階における選択的双方向スキップ注意を適用した高分解能領域検出 (ORDER) を行った。 ポリープおよび腎腫瘍データセットの実験により、LAWは均一なベースライン(52.28対65.60)に対して20%のFID生成の改善を達成し、合成データは4.9%のDice係数(83.2%対78.3%)で下流セグメンテーションを改善した。 ORDERはMK-UNetの6.0%の改善(81.3%対75.3%)、0.56 GFLOPsと42Kパラメータのみであり、標準のnnUNetより730倍小さい。

関連論文リスト

• S2M-Net: Spectral-Spatial Mixing for Medical Image Segmentation with Morphology-Aware Adaptive Loss [0.0]
  医療画像のセグメンテーションには、境界クリティカルな臨床応用のための局所的精度、解剖学的コヒーレンスのためのグローバルコンテキスト、および既存のアーキテクチャが解決できない限られたデータやハードウェア上のデプロイのための計算効率のバランスが必要である。 我々は,S2M-Netを提案する。S2M-Netは,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,S2M-Net,Morphology-Aware Adaptive Loss(MAS)の2つの相乗的イノベーションを通じて,グローバルなコンテキストを実現するためのアーキテクチャである。
  論文  参考訳（メタデータ） (2026-01-03T21:03:54Z)
• Balancing Accuracy and Efficiency: CNN Fusion Models for Diabetic Retinopathy Screening [0.1749935196721634]
  糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり続けているが、大規模なスクリーニングは、デバイスや個体群間での専門的可用性と画像品質の変動によって制限されている。 本研究では, 相補的畳み込みニューラルネットワーク(CNN)バックボーンの機能レベル融合が, グローバルソースの画像に対して, 正確かつ効率的なバイナリDRスクリーニングを実現することができるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-12-26T04:54:43Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• 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)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
  LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
  論文  参考訳（メタデータ） (2024-04-09T00:05:45Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Improving Segmentation and Detection of Lesions in CT Scans Using Intensity Distribution Supervision [5.162622771922123]
  対象病変の強度ヒストグラムから強度に基づく病変確率関数を構築した。 各入力CTスキャンの計算したILPマップは、ネットワークトレーニングのための追加の監督として提供される。 また,本手法が検出作業に与える影響についても検討した。
  論文  参考訳（メタデータ） (2023-07-11T21:00:47Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)

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。