論文の概要: PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.13791v1
• Date: Wed, 15 Apr 2026 12:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.528367
• Title: PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation
• Title（参考訳）: PBE-UNet:超音波画像分割のためのスケールアグリゲーションを用いた軽量プログレッシブ境界拡張U-Net
• Authors: Chen Wang, Yixin Zhu, Yongbin Zhu, Fengyuan Shi, Qi Li, Jun Wang, Zuozhu Liu, Keli Hu,
• Abstract要約: 超音波画像における病変分割のためのプログレッシブ境界拡張U-Net(PBE-UNet)を提案する。 狭い境界と広いセグメンテーション誤差領域の間には大きなギャップがあることが分かる。 提案するPBE-UNetは,最先端の超音波画像分割法より優れている。
• 参考スコア（独自算出の注目度）: 30.298073210760577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate lesion segmentation in ultrasound images is essential for preventive screening and clinical diagnosis, yet remains challenging due to low contrast, blurry boundaries, and significant scale variations. Although existing deep learning-based methods have achieved remarkable performance, these methods still struggle with scale variations and indistinct tumor boundaries. To address these challenges, we propose a progressive boundary enhanced U-Net (PBE-UNet). Specially, we first introduce a scale-aware aggregation module (SAAM) that dynamically adjusts its receptive field to capture robust multi-scale contextual information. Then, we propose a boundary-guided feature enhancement (BGFE) module to enhance the feature representations. We find that there are large gaps between the narrow boundary and the wide segmentation error areas. Unlike existing methods that treat boundaries as static masks, the BGFE module progressively expands the narrow boundary prediction into broader spatial attention maps. Thus, broader spatial attention maps could effectively cover the wider segmentation error regions and enhance the model's focus on these challenging areas. We conduct expensive experiments on four benchmark ultrasound datasets, BUSI, Dataset B, TN3K, and BP. The experimental results how that our proposed PBE-UNet outperforms state-of-the-art ultrasound image segmentation methods. The code is at https://github.com/cruelMouth/PBE-UNet.
• Abstract（参考訳）: 超音波画像の正確な病変分割は, 予防的スクリーニングや臨床診断には不可欠であるが, 低コントラスト, ぼやけた境界, 有意なスケールの変動により, いまだに困難である。 既存のディープラーニングベースの手法は目覚ましい性能を達成しているが、これらの手法はいまだにスケールのばらつきと不明瞭な腫瘍の境界に苦慮している。 これらの課題に対処するために,プログレッシブバウンダリ拡張U-Net(PBE-UNet)を提案する。 具体的には、まず、その受容場を動的に調整し、堅牢なマルチスケールコンテキスト情報をキャプチャするスケールアウェアアグリゲーションモジュール(SAAM)を導入する。 そこで我々は,特徴表現を強化するために境界誘導機能拡張(BGFE)モジュールを提案する。 狭い境界と広いセグメンテーション誤差領域の間には大きなギャップがあることが分かる。 境界を静的マスクとして扱う既存の方法とは異なり、BGFEモジュールは狭い境界予測をより広い空間的注意マップに徐々に拡張する。 このように、より広い空間的注意マップは、より広いセグメンテーションエラー領域を効果的にカバーし、これらの課題領域に対するモデルの焦点を強化することができる。 我々は,4つのベンチマークデータセット,BUSI,Dataset B,TN3K,BPで高価な実験を行った。 提案したPBE-UNetは,最先端の超音波画像分割法よりも優れていることを示す実験結果を得た。 コードはhttps://github.com/cruelMouth/PBE-UNetにある。

関連論文リスト

• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• Mamba Guided Boundary Prior Matters: A New Perspective for Generalized Polyp Segmentation [3.075778955462259]
  大腸癌の早期発見と診断には大腸内視鏡像のポリープ分画が重要である。 本稿では,ロバストなポリープセグメンテーションのための画期的なアプローチであるSAM-MaGuPを提案する。 SAM(Segment Anything Model)に境界蒸留モジュールと1D-2Dマンバアダプタを組み込むことで、SAM-MaGuPは弱い境界問題の解決に優れる。 我々の重要な革新、マンバ誘導境界と1D-2Dマンバブロックは、フィールドに新しいベンチマークを設定し、ポリープセグメンテーションの境界を新しい高さに押し上げた。
  論文  参考訳（メタデータ） (2025-07-02T09:16:58Z)
• BoundMatch: Boundary detection applied to semi-supervised segmentation [12.8995997687175]
  半教師付きセマンティックセマンティックセグメンテーション(SS-SS)は,多彩なラベル付き画像を活用することで,高密度画素ラベリングの重いアノテーション負担を軽減することを目的としている。 本稿では,意味境界検出を教師と学生の整合性正規化パイプラインに明示的に統合する,新しいマルチタスクSS-SSフレームワークであるBoundMatchを提案する。 境界一貫性規則化マルチタスク学習(Bundary Consistency Regularized Multi-Task Learning)は,セグメンテーションマスクと詳細なセグメンテーション境界において,教師と生徒のモデル間の予測合意を強制する。
  論文  参考訳（メタデータ） (2025-03-30T17:02:26Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• MEGANet: Multi-Scale Edge-Guided Attention Network for Weak Boundary Polyp Segmentation [11.190960453535542]
  医療における効率的なポリープセグメンテーションは、早期に大腸癌を診断する上で重要な役割を担っている。 大腸内視鏡画像中のポリプセグメンテーションに適したマルチスケールエッジガイド注意ネットワーク(MEGANet)を提案する。 MEGANetはエンドツーエンドのフレームワークとして設計されており、エンコーダ、デコーダ、エッジガイドアテンションモジュール(EGA)という3つの主要なモジュールを含んでいる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:12Z)
• Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
  我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。 我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
  論文  参考訳（メタデータ） (2021-10-27T17:04:38Z)
• Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation [51.59290734837372]
  境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
  論文  参考訳（メタデータ） (2021-04-12T07:10:48Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Think about boundary: Fusing multi-level boundary information for landmark heatmap regression [51.48533538153833]
  顔の境界とランドマークの関係を探索するための2段階のエンドツーエンドアプローチについて検討する。 境界対応ランドマーク予測は,自己校正境界推定(SCBE)モジュールと境界対応ランドマーク変換(BALT)モジュールの2つのモジュールで構成される。 我々の手法は文学における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-08-25T10:14:13Z)

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。