論文の概要: A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation
- arxiv url: http://arxiv.org/abs/2603.18042v1
- Date: Sun, 15 Mar 2026 16:45:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:05.716023
- Title: A Novel Framework using Intuitionistic Fuzzy Logic with U-Net and U-Net++ Architecture: A case Study of MRI Bain Image Segmentation
- Title（参考訳）: U-NetとU-Net++アーキテクチャを用いた直観的ファジィ論理を用いた新しいフレームワーク:MRIベイインイメージセグメンテーションを事例として
- Authors: Hanuman Verma, Kiho Im, Akshansh Gupta, M. Tanveer,
- Abstract要約: IFS U-Net と IFS U-Net++ は画像の不確実性を扱うために提案されている。
これらのモデルは、曖昧さや不正確なデータから生じる不確実性を管理するために、直観的ファジィ表現の入力データを受け入れる。
- 参考スコア（独自算出の注目度）: 8.458853419962526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of brain images from magnetic resonance imaging (MRI) scans plays a pivotal role in brain image analysis and the diagnosis of neurological disorders. Deep learning algorithms, particularly U-Net and U-Net++, are widely used for image segmentation. However, it finds difficult to deal with uncertainty in images. To address this challenge, this work integrates intuitionistic fuzzy logic into U-Net and U-Net++, propose a novel framework, named as IFS U-Net and IFS U-Net++. These models accept input data in an intuitionistic fuzzy representation to manage uncertainty arising from vague ness and imprecise data. This approach effectively handles tissue ambiguity caused by the partial volume effect and boundary uncertainties. To evaluate the effectiveness of IFS U-Net and IFS U-Net++, experiments are conducted on two publicly available MRI brain datasets: the Internet Brain Segmentation Repository (IBSR) and the Open Access Series of Imaging Studies (OASIS). Segmentation performance is quantitatively assessed using Accuracy, Dice Coefficient, and Intersection over Union (IoU). The results demonstrate that the proposed architectures consistently improve segmentation performance by effectively addressing uncertainty
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)スキャンによる脳画像の正確なセグメンテーションは、脳画像解析と神経疾患の診断において重要な役割を担っている。
ディープラーニングアルゴリズム、特にU-NetとU-Net++は画像セグメンテーションに広く使われている。
しかし、画像の不確実性に対処することは困難である。
この課題に対処するため、直観主義的なファジィロジックをU-NetとU-Net++に統合し、IFS U-NetとIFS U-Net++と名付けられた新しいフレームワークを提案する。
これらのモデルは、曖昧さや不正確なデータから生じる不確実性を管理するために、直観的ファジィ表現の入力データを受け入れる。
このアプローチは、部分体積効果と境界の不確かさに起因する組織あいまいさを効果的に処理する。
IFS U-Net と IFS U-Net++ の有効性を評価するため、インターネット脳分割リポジトリ (IBSR) とOpen Access Series of Imaging Studies (OASIS) の2つの公開MRI脳データセットを用いて実験を行った。
セグメンテーション性能は、精度、Dice Coefficient、Intersection over Union (IoU)を用いて定量的に評価される。
その結果,提案アーキテクチャは不確実性に効果的に対処することにより,セグメンテーション性能を一貫して改善することを示した。
関連論文リスト
- An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation [3.989852248525325]
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。
論文 参考訳（メタデータ） (2026-02-04T05:27:35Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - 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) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Chan-Vese Attention U-Net: An attention mechanism for robust
segmentation [7.159201285824689]
標準CNNアーキテクチャによって与えられるセグメンテーションマスクをより正確に制御するために,Chan-Veseエネルギー最小化を用いた新しいアテンションゲートを提案する。
本研究により,ニューラルネットワークが保持する空間情報を関心領域で観測し,二分節分割における競合結果を得ることができた。
論文 参考訳（メタデータ） (2023-06-28T11:00:57Z) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳（メタデータ） (2023-03-26T14:14:58Z) - Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images [4.3310896118860445]
本稿では,脳腫瘍セグメンテーションのためのU-Netの軽量実装を提案する。
提案アーキテクチャでは,提案する軽量U-Netをトレーニングするために大量のデータを必要としない。
軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、平均交叉対合同(IoU)は89%に達する。
論文 参考訳（メタデータ） (2022-11-03T15:19:58Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - 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) - Category Guided Attention Network for Brain Tumor Segmentation in MRI [6.685945448824158]
カテゴリー案内注意U-Net(CGA U-Net)という新しいセグメンテーションネットワークを提案する。
本モデルでは,より正確かつ安定した特徴写像の長距離依存性を計算コストを伴わずに捉えることのできる,注目機構に基づくスーパービジョンアテンションモジュール(SAM)を設計する。
BraTS 2019データセットの実験的結果は、提案手法がセグメント化性能と計算複雑性の両方において最先端のアルゴリズムより優れていることを示している。
論文 参考訳（メタデータ） (2022-03-29T09:22:29Z)
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。