論文の概要: Adaptive Dual Residual U-Net with Attention Gate and Multiscale Spatial Attention Mechanisms (ADRUwAMS)

• arxiv url: http://arxiv.org/abs/2604.08893v1
• Date: Fri, 10 Apr 2026 02:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.654096
• Title: Adaptive Dual Residual U-Net with Attention Gate and Multiscale Spatial Attention Mechanisms (ADRUwAMS)
• Title（参考訳）: Adaptive Dual Residual U-Net with Attention Gate and Multiscale Space Attention Mechanisms (ADRUWAMS)
• Authors: Mohsen Yaghoubi Suraki,
• Abstract要約: 本研究では,アテンションゲートとマルチスケール空間アテンション機構(ADRUwAMS)を備えた適応型デュアル残差U-Netを提案する。 二重適応残差ネットワークアーキテクチャは、脳画像から高レベルのセマンティクスと複雑な低レベルの詳細をキャプチャする。 我々は、BraTS 2020とBraTS 2019データセット上で、ReLUアクティベーション関数を使用して200エポックのモデルをトレーニングした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioma is a harmful brain tumor that requires early detection to ensure better health results. Early detection of this tumor is key for effective treatment and requires an automated segmentation process. However, it is a challenging task to find tumors due to tumor characteristics like location and size. A reliable method to accurately separate tumor zones from healthy tissues is deep learning models, which have shown promising results over the last few years. In this research, an Adaptive Dual Residual U-Net with Attention Gate and Multiscale Spatial Attention Mechanisms (ADRUwAMS) is introduced. This model is an innovative combination of adaptive dual residual networks, attention mechanisms, and multiscale spatial attention. The dual adaptive residual network architecture captures high-level semantic and intricate low-level details from brain images, ensuring precise segmentation of different tumor parts, types, and hard regions. The attention gates use gating and input signals to compute attention coefficients for the input features, and multiscale spatial attention generates scaled attention maps and combines these features to hold the most significant information about the brain tumor. We trained the model for 200 epochs using the ReLU activation function on BraTS 2020 and BraTS 2019 datasets. These improvements resulted in high accuracy for tumor detection and segmentation on BraTS 2020, achieving dice scores of 0.9229 for the whole tumor, 0.8432 for the tumor core, and 0.8004 for the enhancing tumor.
• Abstract（参考訳）: グリオーマは有害な脳腫瘍であり、健康状態を改善するために早期発見を必要とする。 この腫瘍の早期発見は、効果的な治療の鍵であり、自動セグメンテーションプロセスが必要である。 しかし、位置や大きさなどの腫瘍の特徴から腫瘍を見つけることは難しい課題である。 正常な組織から腫瘍ゾーンを正確に分離するための信頼性の高い方法はディープラーニングモデルであり、ここ数年で有望な成果を上げてきた。 本研究では,adaptive Dual Residual U-Net with Attention Gate and Multiscale Spatial Attention Mechanisms (ADRUwAMS)を紹介する。 このモデルは、適応二重残差ネットワーク、アテンション機構、マルチスケール空間アテンションの革新的な組み合わせである。 デュアルアダプティブ残差ネットワークアーキテクチャは、脳画像から高レベルのセマンティクスと複雑な低レベルの詳細をキャプチャし、異なる腫瘍部分、タイプ、ハード領域の正確なセグメンテーションを保証する。 注意ゲートは、入力特徴に対する注意係数を計算するためにゲーティングと入力信号を使用し、マルチスケールの空間的注意がスケールした注意マップを生成し、これらの特徴を組み合わせて脳腫瘍に関する最も重要な情報を保持する。 我々は、BraTS 2020とBraTS 2019データセット上で、ReLUアクティベーション関数を使用して200エポックのモデルをトレーニングした。 これらの改善により、BraTS 2020における腫瘍検出とセグメンテーションの精度が向上し、腫瘍全体のダイススコアは0.9229、腫瘍コアは0.8432、造影腫瘍は0.8004となった。

関連論文リスト

• An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net [0.6087515951830486]
  本稿では,実行中の注意ゲートを付加したU-Netモデルに基づく新たなセグメンテーション手法を提案する。 クラス不均衡に対応するために、標準的な分類的クロスエントロピーとともに、Dice LossやCategorical Dice Lossのような手動設計の損失関数を用いる。 提案手法は精度0.9919,Dice係数0.9901,IoU0.9873,感度0.9908,特異度0.9974で優れた性能を示した。
  論文  参考訳（メタデータ） (2026-03-24T15:42:49Z)
• 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)
• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
  医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。 101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。 R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
  論文  参考訳（メタデータ） (2025-10-16T15:35:44Z)
• 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)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)

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。