Fugu-MT 論文翻訳(概要): CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation

論文の概要: CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation

arxiv url: http://arxiv.org/abs/2603.19659v1
Date: Fri, 20 Mar 2026 05:48:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-23 19:48:39.010755
Title: CS-MUNet: A Channel-Spatial Dual-Stream Mamba Network for Multi-Organ Segmentation
Title（参考訳）: CS-MUNet:マルチオーガンセグメンテーションのためのチャネル空間デュアルストリームマンバネットワーク
Abstract要約: マンバ法は腹部臓器の分節に有望である。バウンダリー・アウェア・ステート・マンバモジュールはピクセルレベルのバウンダリマップを生成する。 Channel Mamba State Aggregationモジュールは、チャネル次元を再定義し、チャネル間の解剖学的協調を明示的にモデル化する。
参考スコア（独自算出の注目度）: 6.351539100819658
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently Mamba-based methods have shown promise in abdominal organ segmentation. However, existing approaches neglect cross-channel anatomical semantic collaboration and lack explicit boundary-aware feature fusion mechanisms. To address these limitations, we propose CS-MUNet with two purpose-built modules. The Boundary-Aware State Mamba module employs a Bayesian-attention framework to generate pixel-level boundary posterior maps, injected directly into Mamba's core scan parameters to embed boundary awareness into the SSM state transition mechanism, while dual-branch weight allocation enables complementary modulation between global and local structural representations. The Channel Mamba State Aggregation module redefines the channel dimension as the SSM sequence dimension to explicitly model cross-channel anatomical semantic collaboration in a data-driven manner. Experiments on two public benchmarks demonstrate that CS-MUNet consistently outperforms state-of-the-art methods across multiple metrics, establishing a new SSM modeling paradigm that jointly addresses channel semantic collaboration and boundary-aware feature fusion for abdominal multi-organ segmentation.
Abstract（参考訳）: 近年,マンバ法は腹部臓器の分節に有望であることが明らかとなった。しかし、既存のアプローチでは、チャネル間の解剖学的協調は無視され、明確な境界認識機能融合機構が欠如している。これらの制約に対処するため,CS-MUNet を2つのモジュールで提案する。バウンダリー・アウェア・ステート・マンバモジュールは、Bayesian-attentionフレームワークを使用してピクセルレベルの境界後部マップを生成し、Mambaのコアスキャンパラメータに直接注入して境界認識をSSM状態遷移機構に埋め込む。 Channel Mamba State Aggregationモジュールは、チャネル次元をSSMシーケンス次元として再定義し、データ駆動方式でクロスチャネル解剖学的協調を明示的にモデル化する。 2つの公開ベンチマークの実験では、CS-MUNetは複数のメトリクスにわたる最先端のメソッドを一貫して上回り、チャネルセマンティックなコラボレーションと腹部多臓器分割のための境界認識機能融合に共同で対処する新しいSSMモデリングパラダイムを確立している。

関連論文リスト

Prompt-Conditioned Channel Attention for Hierarchical Feature Modulation toward Anatomy-Agnostic Segmentation [3.205671859719557]
本稿では,エンコーダ・デコーダネットワーク内のセマンティックプロンプトの深い階層的な統合を可能にする新しい変調機構であるPrompt-Conditioned Channel Attention (PCCA)を紹介する。 PCCAは、プールを介してコンパクトなチャネル記述子を抽出し、それらを共有空間に投影し、ゲート励起機構を介して融合し、プロンプト対応のチャネル注意重みを計算する。これらの重みは、複数のネットワークステージにまたがる特徴応答を適応的に再調整し、プロンプト条件付き、意味的にリッチな階層表現を可能にする。
論文参考訳（メタデータ） (2026-08-20T16:24:09Z)
AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。 5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文参考訳（メタデータ） (2026-06-28T11:36:31Z)
MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文参考訳（メタデータ） (2026-06-22T10:14:06Z)
SCRNet: Spatial-Channel Regulation Network for Medical Ultrasound Image Segmentation [1.4930126157970809]
CNNベースのメソッドは長距離依存を無視する傾向があり、Transformerベースのメソッドはローカルなコンテキスト情報を見落としてしまう。本稿では,前層から2つの入力特徴を処理するために設計された新しい特徴集約モジュール(FAM)を提案する。この戦略により、モジュールは長距離依存とローカルコンテキスト情報の両方に同時に集中することができます。
論文参考訳（メタデータ） (2025-08-19T15:02:27Z)
Localizing Audio-Visual Deepfakes via Hierarchical Boundary Modeling [50.8215545241128]
私たちはaを提案します。境界モデリングネットワーク(HBMNet)には、オーディオ・ビジュアル・フィーチャー(Audio-Visual Feature)という3つのモジュールが含まれている。粗提案発電機と微細階層確率発生装置モダリティの観点からは、フレームレベルの監督によって強化されたオーディオ・ビジュアル・エンコーディングと融合を強化する。実験により、符号化と融合が主に精度を向上し、フレームレベルの監視リコールが可能であることが示された。
論文参考訳（メタデータ） (2025-08-04T02:41:09Z)
Multispectral State-Space Feature Fusion: Bridging Shared and Cross-Parametric Interactions for Object Detection [48.04749955821739]
MS2Fusionと呼ばれる新しいマルチスペクトル状態空間特徴融合フレームワークが提案されている。 MS2フュージョンはデュアルパスパラメトリック相互作用機構を通じて効率的かつ効果的な融合を実現する。我々のMS2Fusionは、主要なベンチマーク実験において、他の最先端のマルチスペクトルオブジェクト検出方法よりも大幅に優れています。
論文参考訳（メタデータ） (2025-07-19T14:38:03Z)
DSU-Net:An Improved U-Net Model Based on DINOv2 and SAM2 with Multi-scale Cross-model Feature Enhancement [7.9006143460465355]
本稿では,DINOv2によるSAM2用マルチスケール機能協調フレームワークを提案する。コストのかかるトレーニングプロセスを必要とせず、カモフラージュ目標検出や有能なオブジェクト検出といった下流タスクにおいて、既存の最先端のメソオードを超越している。
論文参考訳（メタデータ） (2025-03-27T06:08:24Z)
A Hybrid Transformer-Mamba Network for Single Image Deraining [70.64069487982916]
既存のデラリング変換器では、固定レンジウィンドウやチャネル次元に沿って自己アテンション機構を採用している。本稿では,多分岐型トランスフォーマー・マンバネットワーク(Transformer-Mamba Network,TransMamba Network,Transformer-Mamba Network)を提案する。
論文参考訳（メタデータ） (2024-08-31T10:03:19Z)
CAMS: Convolution and Attention-Free Mamba-based Cardiac Image Segmentation [0.508267104652645]
畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースの自己アテンションモデルは、医療画像セグメンテーションの標準となっている。本稿では,CAMS-Netという,コンボリューションと自己意図のないマンバに基づくセマンティックネットワークを提案する。我々のモデルは,CMRおよびM&Ms-2カードセグメンテーションデータセットにおける既存の最先端CNN,自己注意,およびMambaベースの手法よりも優れている。
論文参考訳（メタデータ） (2024-06-09T13:53:05Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
CU-Mamba: Selective State Space Models with Channel Learning for Image Restoration [7.292363114816646]
本稿では,二つの状態空間モデルフレームワークをU-Netアーキテクチャに組み込んだChannel-Aware U-Shaped Mambaモデルを紹介する。実験は、CU-Mambaが既存の最先端手法よりも優れていることを検証する。
論文参考訳（メタデータ） (2024-04-17T22:02:22Z)
Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文参考訳（メタデータ） (2024-03-12T11:48:49Z)

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。