論文の概要: PGR-Net: Prior-Guided ROI Reasoning Network for Brain Tumor MRI Segmentation

• arxiv url: http://arxiv.org/abs/2603.21626v1
• Date: Mon, 23 Mar 2026 06:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.529212
• Title: PGR-Net: Prior-Guided ROI Reasoning Network for Brain Tumor MRI Segmentation
• Title（参考訳）: PGR-Net:脳腫瘍MRIの術前ROI推論ネットワーク
• Authors: Jiacheng Lu, Hui Ding, Shiyu Zhang, Guoping Huo,
• Abstract要約: 脳腫瘍のMRIセグメント化のためのPGR-Net(Prior-Guided ROI Reasoning Network)を提案する。 腫瘍病変の分布とスケール特性を捉えるために、データ駆動型空間事前セットが組み込まれている。 従来の8.64Mパラムを使用し、89.02%、91.82%、89.67%のDiceスコアを達成している。
• 参考スコア（独自算出の注目度）: 6.5547088989271955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain tumor MRI segmentation is essential for clinical diagnosis and treatment planning, enabling accurate lesion detection and radiotherapy target delineation. However, tumor lesions occupy only a small fraction of the volumetric space, resulting in severe spatial sparsity, while existing segmentation networks often overlook clinically observed spatial priors of tumor occurrence, leading to redundant feature computation over extensive background regions. To address this issue, we propose PGR-Net (Prior-Guided ROI Reasoning Network) - an explicit ROI-aware framework that incorporates a data-driven spatial prior set to capture the distribution and scale characteristics of tumor lesions, providing global guidance for more stable segmentation. Leveraging these priors, PGR-Net introduces a hierarchical Top-K ROI decision mechanism that progressively selects the most confident lesion candidate regions across encoder layers to improve localization precision. We further develop the WinGS-ROI (Windowed Gaussian-Spatial Decay ROI) module, which uses multi-window Gaussian templates with a spatial decay function to produce center-enhanced guidance maps, thus directing feature learning throughout the network. With these ROI features, a windowed RetNet backbone is adopted to enhance localization reliability. Experiments on BraTS-2019/2023 and MSD Task01 show that PGR-Net consistently outperforms existing approaches while using only 8.64M Params, achieving Dice scores of 89.02%, 91.82%, and 89.67% on the Whole Tumor region. Code is available at https://github.com/CNU-MedAI-Lab/PGR-Net.
• Abstract（参考訳）: 脳腫瘍のMRIセグメント化は臨床診断と治療計画に不可欠であり、正確な病変検出と放射線治療標的の脱線を可能にする。 しかし, 腫瘍病変は体積空間のごく一部しか占めておらず, 空間空間の空間性は著しく低下するが, 既存のセグメンテーションネットワークはしばしば臨床に観察された腫瘍発生の空間的先行を見逃し, 広い背景領域にわたる冗長な特徴計算に繋がる。 この問題を解決するために,PGR-Net(Prior-Guided ROI Reasoning Network)を提案する。 PGR-Netはこれらの先行技術を活用し、階層的なTop-K ROI決定機構を導入し、エンコーダ層全体で最も確実な病変候補領域を徐々に選択し、ローカライゼーション精度を向上させる。 WinGS-ROI (Windowed Gaussian-Spatial Decay ROI) モジュールは,空間減衰関数を持つ多ウィンドウガウステンプレートを用いて中心強化誘導マップを生成し,ネットワーク全体の特徴学習を誘導する。 これらのROI機能では、ローカライゼーションの信頼性を高めるために、ウィンドウ化されたRetNetバックボーンが採用されている。 BraTS-2019/2023とMSD Task01の実験では、PGR-Netは8.64Mパラムしか使用せず、Diceスコアは89.02%、91.82%、および89.67%である。 コードはhttps://github.com/CNU-MedAI-Lab/PGR-Netで入手できる。

関連論文リスト

• A Tumor Aware DenseNet Swin Hybrid Learning with Boosted and Hierarchical Feature Spaces for Large-Scale Brain MRI Classification [0.6991281327290525]
  クラス固有の診断課題に対処するために、2つの腫瘍認識実験装置が導入された。 DenseNetはMRI空間特性に合わせて入力レベルでカスタマイズされる。 Swin_tは、髄膜腫と下垂体腫瘍の分類において、偽陰性を効果的に抑制するグローバルな腫瘍形態をモデル化する。
  論文  参考訳（メタデータ） (2026-01-26T10:14:57Z)
• 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)
• Neovascularization Segmentation via a Multilateral Interaction-Enhanced Graph Convolutional Network [48.788798029027085]
  本稿では,新しい多面グラフ畳み込み相互作用型CNVセグメンテーションネットワーク(MTG-Net)を提案する。 MTG-Netはマルチタスクフレームワークと2つのグラフベースのクロスタスクモジュールで構成されている。 実験の結果、MTG-Netは既存の手法よりも優れており、領域分割は87.21%、血管分割は88.12%である。
  論文  参考訳（メタデータ） (2025-08-05T08:10:19Z)
• GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
  本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。 複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。 乳がんの病理組織像データセットの多様性について検討した。
  論文  参考訳（メタデータ） (2024-06-12T19:17:17Z)
• 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)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Impact of Spherical Coordinates Transformation Pre-processing in Deep Convolution Neural Networks for Brain Tumor Segmentation and Survival Prediction [0.0]
  球面変換入力データを用いたディープ畳み込みニューラルネットワーク(DCNN)のフィード化を目的とした新しい手法を提案する。 本研究では,球面座標変換を前処理法として適用した。 LesionEncoderフレームワークはDCNNモデルから自動的に機能を抽出し、OS予測の0.586精度を実現している。
  論文  参考訳（メタデータ） (2020-10-27T00:33:03Z)
• Unsupervised Region-based Anomaly Detection in Brain MRI with Adversarial Image Inpainting [4.019851137611981]
  本稿では,T1強調MRIのための完全自動非教師付き印字型脳腫瘍分割システムを提案する。 まず、Deep Convolutional Neural Network(DCNN)をトレーニングし、行方不明の健常な脳の領域を再構築する。 提案システムでは, 種々の腫瘍と抽象腫瘍を分離し, 平均偏差Diceスコアが0.176, 0.771, 標準偏差Diceスコアが得られた。
  論文  参考訳（メタデータ） (2020-10-05T12:13:44Z)

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。