論文の概要: Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2603.19844v2
• Date: Thu, 26 Mar 2026 17:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 18:28:14.968072
• Title: Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation
• Title（参考訳）: 適応型マルチモーダルMRI脳腫瘍分離のためのハイパーコネクション
• Authors: Lokendra Kumar, Shubham Aggarwal,
• Abstract要約: 容積多モード脳腫瘍分節に対する Hyper-Connection (HC) の第1報を報告する。 Dynamic HCはBraTS 2021データセットのすべての3Dモデルを一貫して改善する。 HCは、医用画像セグメンテーションにおけるマルチモーダル特徴融合のための、シンプルで効率的で広く適用可能なメカニズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the first study of Hyper-Connections (HC) for volumetric multi-modal brain tumor segmentation, integrating them as a drop-in replacement for fixed residual connections across five architectures: nnU-Net, SwinUNETR, VT-UNet, U-Net, and U-Netpp. Dynamic HC consistently improves all 3D models on the BraTS 2021 dataset, yielding up to +1.03 percent mean Dice gain with negligible parameter overhead. Gains are most pronounced in the Enhancing Tumor sub-region, reflecting improved fine-grained boundary delineation. Modality ablation further reveals that HC-equipped models develop sharper sensitivity toward clinically dominant sequences, specifically T1ce for Tumor Core and Enhancing Tumor, and FLAIR for Whole Tumor, a behavior absent in fixed-connection baselines and consistent across all architectures. In 2D settings, improvements are smaller and configuration-sensitive, suggesting that volumetric spatial context amplifies the benefit of adaptive aggregation. These results establish HC as a simple, efficient, and broadly applicable mechanism for multi-modal feature fusion in medical image segmentation.
• Abstract（参考訳）: 本研究は,5つのアーキテクチャ (nnU-Net, SwinUNETR, VT-UNet, U-Net, U-Netpp) にまたがって, 固定残差接続のドロップイン置換としてハイパーコネクション (HC) を応用した, 容積的マルチモーダル脳腫瘍セグメンテーションのための最初の研究である。 ダイナミックHCはBraTS 2021データセットのすべての3Dモデルを一貫して改善し、パラメータのオーバーヘッドを無視してDiceが得る平均は+1.03%に達する。 利得は腫瘍亜領域のエンハンシングにおいて最も顕著であり、きめ細かい境界線が改良されたことを反映している。 さらに、HCを装備したモデルでは、腫瘍コアとエンハンシング腫瘍のT1ceや、固定接続ベースラインに欠如し、すべてのアーキテクチャに一貫性のあるFLAIRといった、臨床的に支配的な配列に対して、より鋭い感度が発達することが明らかにされている。 2D設定では、改善は小さく、構成に敏感であり、容積空間コンテキストが適応アグリゲーションの利点を増幅することを示唆している。 これらの結果から,HCは医用画像セグメンテーションにおけるマルチモーダル特徴融合の簡易かつ効率的かつ広く適用可能なメカニズムとして確立された。

関連論文リスト

• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• 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)
• Unified Multimodal Coherent Field: Synchronous Semantic-Spatial-Vision Fusion for Brain Tumor Segmentation [13.108816349958659]
  脳腫瘍セグメント化のための統一多モードコヒーレントフィールド(UMCF)法を提案する。 統合された3次元空間内の視覚情報,意味情報,空間情報の同期的融合を実現する。 Brain tumor (BraTS) データセットでは、UMCF+Unn-Net がそれぞれ 0.8579 と 0.8977 の Dice を達成する。
  論文  参考訳（メタデータ） (2025-09-22T08:45:39Z)
• RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation [0.624829068285122]
  機能アライメントのための強化学習により強化されたデュアルブランチU-Netアーキテクチャを提案する。 このモデルは、デュアルブランチU字型ネットワークを用いて、CTとMRIのパッチを並列に処理し、新しいRL-XAlignモジュールを導入する。 公開されているMM-WHS 2017データセットの実験結果は、提案されたRL-U$2$Netが既存の最先端メソッド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） (2025-08-04T16:12:06Z)
• Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
  本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。 このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。 提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
  論文  参考訳（メタデータ） (2025-07-14T07:29:49Z)
• 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)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,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層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation [1.7582682214679273]
  UKAN-EPは、マルチモーダルMRI脳腫瘍セグメンテーションのためのオリジナルの2D U-KANモデルの新規な3D拡張である。 UKAN-EPは、計算資源を著しく少なくしながら、より優れたセグメンテーション性能を達成する。
  論文  参考訳（メタデータ） (2024-08-01T04:27:10Z)

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。