論文の概要: HFS-TriNet: A Three-Branch Collaborative Feature Learning Network for Prostate Cancer Classification from TRUS Videos
- arxiv url: http://arxiv.org/abs/2604.22388v1
- Date: Fri, 24 Apr 2026 09:24:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.413761
- Title: HFS-TriNet: A Three-Branch Collaborative Feature Learning Network for Prostate Cancer Classification from TRUS Videos
- Title（参考訳）: HFS-TriNet:TRUSビデオによる前立腺癌分類のための3分岐型特徴学習ネットワーク
- Authors: Xu Lu, Qianhong Peng, Qihao Zhou, Shaopeng Liu, Xiuqin Ye, Chuan Yang, Yuan Yuan,
- Abstract要約: 経直腸超音波(TRUS)画像検査は前立腺癌の診断に広く用いられている費用対効果と非侵襲性モダリティである。
近年,TRUS画像を利用したコンピュータ支援診断 (CAD) が広く研究されている。
TRUSビデオから前立腺癌分類のためのフレームセレクション(HFS)と3分岐協調特徴学習ネットワーク(HFS-TriNet)を提案する。
- 参考スコア（独自算出の注目度）: 8.456736641860457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transrectal ultrasound (TRUS) imaging is a cost-effective and non-invasive modality widely used in the diagnosis of prostate cancer. The computer-aided diagnosis (CAD) relying on TRUS images has been extensively investigated recently. Compared to static images, TRUS video provides richer spatial-temporal information, which make it a promising alternative for improving the accuracy and robustness of CAD systems. However, TRUS video analysis also introduces new challenges. These include information redundancy, which increases computational costs; high intra- and inter-class similarity, which complicates feature extraction; and a low signal-to-noise ratio, which hinders the identification of clinically relevant information. To address these problems, we propose a heuristic frame selection (HFS) and a three-branch collaborative feature learning network (HFS-TriNet) for prostate cancer classification from TRUS videos. Specifically, selecting a clip of video frames at intervals for training can mitigate redundancy. The HFS strategy dynamically initializes the starting point of each training clip, which ensures that the sampled clips span the entire video sequence. For better feature extraction, besides a regular ResNet50 branch, we also utilize 1) a large model branch based a pre-trained medical segment anything model (SAM) to extract deep features of each frame and a normalization-based attention module to explore the temporal consistency; and 2) a wavelet transform convolutional residual (WTCR) branch that extracts lesion edge information in the high-frequency domain and performs denoising in the low-frequency domain.
- Abstract（参考訳）: 経直腸超音波(TRUS)画像検査は前立腺癌の診断に広く用いられている費用対効果と非侵襲性モダリティである。
近年,TRUS画像を利用したコンピュータ支援診断 (CAD) が広く研究されている。
静的画像と比較して、TRUSビデオはよりリッチな時空間情報を提供し、CADシステムの精度とロバスト性を改善するための有望な代替手段となる。
しかし、TRUSビデオ解析は新たな課題ももたらした。
これには、計算コストを増大させる情報冗長性、特徴抽出を複雑にする高いクラス内およびクラス間類似性、臨床関連情報の特定を妨げる低信号対雑音比が含まれる。
これらの問題を解決するために,TRUSビデオからの前立腺癌分類のためのヒューリスティックフレームセレクション(HFS)と3分岐協調特徴学習ネットワーク(HFS-TriNet)を提案する。
具体的には、トレーニングの間隔でビデオフレームのクリップを選択することで、冗長性を軽減できる。
HFS戦略は、トレーニングクリップの開始点を動的に初期化し、サンプルクリップがビデオシーケンス全体にわたっていることを保証する。
機能抽出を改善するために、通常のResNet50ブランチに加えて、私たちはまた利用します。
1)各フレームの深い特徴を抽出するための事前訓練医療セグメントモデル(SAM)と、時間的一貫性を探求するための正規化に基づく注意モジュールに基づく大型モデルブランチ。
2)ウェーブレット変換畳み込み残差(WTCR)分岐は、高周波領域の病変エッジ情報を抽出し、低周波領域でデノナイジングを行う。
関連論文リスト
- HRVVS: A High-resolution Video Vasculature Segmentation Network via Hierarchical Autoregressive Residual Priors [18.951871257229055]
本稿では,35本の肝切除ビデオと11442本の高分解能フレームを含む,高品質なフレーム・バイ・フレームアノテート肝血管データセットを提案する。
本稿では,HRVVSと呼ばれる新しい高分解能ビデオ血管セグメンテーションネットワークを提案する。
提案するHRVVSは最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-07-30T09:57:38Z) - Frequency-enhanced Multi-granularity Context Network for Efficient Vertebrae Segmentation [33.99418884128739]
椎骨分割精度を向上させるために,周波数強調多粒性コンテキストネットワーク(FMC-Net)を導入する。
高周波成分に対しては,HFR(High- frequency Feature Refinement)を適用し,特徴の顕著さを増幅する。
低周波成分に対しては、多粒度状態空間モデル(MG-SSM)を用いて、異なる受容場を持つ特徴表現を集約する。
論文 参考訳（メタデータ） (2025-06-29T04:53:02Z) - Variable-frame CNNLSTM for Breast Nodule Classification using Ultrasound Videos [22.437678884189697]
本研究では,CNNとLSTMに基づく新しい映像分類手法を提案する。
CNNが抽出した画像の特徴を1x512次元に減らし、LSTMトレーニングのための特徴ベクトルのソートと圧縮を行う。
実験により,我々の可変フレームCNNLSTM法は,すべての指標において,他の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-17T06:35:37Z) - TASL-Net: Tri-Attention Selective Learning Network for Intelligent Diagnosis of Bimodal Ultrasound Video [10.087796410298061]
本稿では,この課題に対処するための新しい3段階選択学習ネットワーク(TASL-Net)を提案する。
TASL-Netは、超音波ビデオのインテリジェント診断のための相互変換フレームワークに、ソノグラフィーの3種類の診断注意を組み込む。
肺,乳房,肝臓の3つのデータセット上でTASL-Netの性能を詳細に検証した。
論文 参考訳（メタデータ） (2024-09-03T02:50:37Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - A Spatial-Temporal Deformable Attention based Framework for Breast
Lesion Detection in Videos [107.96514633713034]
本稿では,STNet という空間的・時間的変形可能なアテンションベースのフレームワークを提案する。
我々のSTNetは、局所的な空間的時間的特徴融合を行うために、空間的時間的変形可能なアテンションモジュールを導入している。
乳腺病変の超音波画像データセットを用いた実験により,STNetは最先端の検出性能を得ることができた。
論文 参考訳（メタデータ） (2023-09-09T07:00:10Z) - Spatial-Temporal Frequency Forgery Clue for Video Forgery Detection in
VIS and NIR Scenario [87.72258480670627]
既存の周波数領域に基づく顔偽造検出手法では、GAN鍛造画像は、実際の画像と比較して、周波数スペクトルに明らかな格子状の視覚的アーチファクトを持つ。
本稿では,コサイン変換に基づくフォージェリークリュー拡張ネットワーク(FCAN-DCT)を提案し,より包括的な時空間特徴表現を実現する。
論文 参考訳（メタデータ） (2022-07-05T09:27:53Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:49:04Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z)
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。