論文の概要: InfiltrNet: Dual-Branch CNN-Transformer Architecture for Brain Tumor Infiltration Risk Prediction

• arxiv url: http://arxiv.org/abs/2605.02230v1
• Date: Mon, 04 May 2026 05:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.144624
• Title: InfiltrNet: Dual-Branch CNN-Transformer Architecture for Brain Tumor Infiltration Risk Prediction
• Title（参考訳）: InfiltrNet:脳腫瘍浸潤リスク予測のためのデュアルブランチCNN変換器アーキテクチャ
• Authors: S M Asif Hossain, Shruti Kshirsagar,
• Abstract要約: グリオーマは磁気共鳴画像(MRI)で観察された可視的腫瘍縁を越えて周囲の組織に浸潤するアグレッシブ脳腫瘍である InfiltrNetは、畳み込みニューラルネットワーク(CNN)エンコーダとSwin Transformerエンコーダを組み合わせた、新しいデュアルブランチアーキテクチャである。 InfiltrNetは、Dice-CrossEntropyデコーダと、中間レベルにおける補助監督ヘッドによって強化された境界認識損失を併用して訓練される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gliomas are aggressive brain tumors that infiltrate surrounding tissue beyond the visible tumor margins observed on Magnetic Resonance Imaging (MRI). Predicting the spatial extent of this infiltration is essential for surgical planning and radiation therapy, yet existing deep learning approaches focus on segmenting the visible tumor rather than estimating infiltration risk in the surrounding tissue. This paper presents InfiltrNet, a novel dual-branch architecture that combines a convolutional neural network (CNN) encoder with a Swin Transformer encoder through cross-attention fusion modules to predict three-zone infiltration risk maps from multimodal MRI. A label generation strategy based on distance transforms is proposed to derive reproducible infiltration risk zones from standard Brain Tumor Segmentation (BraTS) annotations. InfiltrNet is trained with a combined Dice-CrossEntropy and boundary-aware loss augmented by auxiliary supervision heads at intermediate decoder levels. Extensive experiments on BraTS 2020 and BraTS 2025 demonstrate that InfiltrNet outperforms five established baselines. Explainability analysis using GradCAM++ and Occlusion sensitivity confirms that the model attends to clinically relevant peritumoral regions.
• Abstract（参考訳）: グリオーマ(英: Glioma)は、MRI(磁気共鳴画像)で観察される、周囲の組織に浸潤する攻撃的な脳腫瘍である。 この浸潤の空間範囲を予測することは外科的計画と放射線治療に不可欠であるが、既存のディープラーニングアプローチでは、周囲の組織における浸潤リスクを推定するのではなく、可視腫瘍の分節化に重点を置いている。 InfiltrNetは、畳み込みニューラルネットワーク(CNN)エンコーダとSwing Transformerエンコーダを相互接続型核融合モジュールを介して組み合わせ、マルチモーダルMRIから3ゾーンの浸透リスクマップを予測する新しいデュアルブランチアーキテクチャである。 標準脳腫瘍セグメンテーション(BraTS)アノテーションから再現可能な浸潤リスクゾーンを導出するために,距離変換に基づくラベル生成戦略を提案する。 InfiltrNetは、Dice-CrossEntropyとバウンダリ・アウェア・ロスを併用して、中間デコーダレベルで補助監督ヘッドによってトレーニングされる。 BraTS 2020とBraTS 2025の大規模な実験は、InfiltrNetが確立された5つのベースラインを上回っていることを示している。 GradCAM++とOcclusion sensitivityを用いた説明可能性分析により,臨床的に関係のある経時的領域にモデルが関与していることが確認された。

関連論文リスト

• Anatomy-Preserving Latent Diffusion for Generation of Brain Segmentation Masks with Ischemic Infarct [35.66445631291783]
  脳のセグメンテーションマスクの無条件合成のための解剖学的保存型生成フレームワークを提案する。 提案手法は,解剖学的潜在表現を学習するために,セグメンテーションマスクに特化して訓練された変分オートエンコーダを組み合わせる。 その結果、生成したマスクは、大域的な脳解剖、離散的な組織意味論、および現実的な変動を保っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-02-10T12:50:54Z)
• 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)
• AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
  本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
  論文  参考訳（メタデータ） (2025-12-19T19:53:56Z)
• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation [2.538209532048867]
  VGDMは脳腫瘍の検出とセグメンテーションのための視覚誘導拡散フレームワークである。 拡散過程のコアに視覚変換器を埋め込む。 トランスフォーマーバックボーンは、MRIボリューム全体にわたってより効果的な空間関係のモデリングを可能にする。 ボクセルレベルの誤差を緩和し、きめ細かい腫瘍の詳細を回復する。
  論文  参考訳（メタデータ） (2025-10-02T14:52:08Z)
• Topology-Constrained Learning for Efficient Laparoscopic Liver Landmark Detection [46.2391319253146]
  肝のランドマークは腹腔鏡下肝手術中に外科医に重要な解剖学的ガイダンスを提供する。 TopoNetは腹腔鏡下肝ランドマーク検出のための新しいトポロジ制約学習フレームワークである。 我々のフレームワークは、スネーク・CNNデュアルパス・エンコーダを用いて、詳細なRGBテクスチャ情報と深さインフォームドトポロジ構造を同時に取得する。
  論文  参考訳（メタデータ） (2025-07-01T07:35:36Z)
• 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)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
  磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:35:29Z)
• 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)
• AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation [0.0]
  そこで我々は,脳腫瘍セグメンテーションのための新しいアテンションゲート(AGモデル)を提案する。 AGはディープ畳み込みニューラルネットワーク(CNN)に統合できる 我々は、エッジ検出器とアテンションゲート機構が、脳のセグメンテーションを0.78のIOUに到達させるのに十分な方法であることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:01:24Z)

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。