論文の概要: Degradation-Aware Blur-Segmentation of Brain Tumor

• arxiv url: http://arxiv.org/abs/2605.15671v1
• Date: Fri, 15 May 2026 06:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.197105
• Title: Degradation-Aware Blur-Segmentation of Brain Tumor
• Title（参考訳）: 脳腫瘍のBlur-Segmentation
• Authors: Yuchun Wang, Xiaosong Li, Gefei Liang, Yang Liu,
• Abstract要約: Degradation-Aware Blur-Segmentation Net (DABSeg) は、同期型3次元マルチモーダルMRIセグメンテーションネットワークである。 本稿では,ブラーとリバランスの強度を補正する特徴領域の運動分解ステムを提案する。 システムは、モダリティの効果的な相補性を得るために、ぼやけたクロスアテンションモジュールとマルチスケールの残留アグリゲーションを組み込む。
• 参考スコア（独自算出の注目度）: 6.772154747032075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal 3D MRI brain tumor segmentation is a pivotal step in radiotherapy target delineation, surgical planning and post-treatment assessment. Existing methods often assume artifact-free MRI images. However, inevitable patient motion during scanning introduces artifacts and blur that degrade boundary and texture features, leading to poor segmentation performance. To bridge this gap, we introduce Degradation-Aware Blur-Segmentation Net (DABSeg), a synchronous deblurring 3D multimodal MRI segmentation network that unifies blur removal and accurate segmentation. Specifically, we propose a feature-domain motion-deblurring stem to compensate for blur and rebalance intensity. Concurrently, the backbone network embeds a blur-aware cross-modal cross-attention module and multi-scale residual aggregation to yield effective modality complementarity. Notably, we optimize a joint loss that combines weighted Dice with a clear-reference reconstruction term, where imbalanced weights are applied to small targets to boost learning intensity and predictive stability for small lesions and border regions. Systematic comparisons and ablation experiments on the BraTS2020 dataset under both clear and degenerative conditions consistently demonstrate that DABSeg surpasses state-of-the-art methods in tumor Dice score and boundary precision. These results validate the effectiveness of degenerative-aware cross-task collaborative learning in improving the robustness and clinical utility of multi-modal 3D brain tumor segmentation under realistic degenerative conditions. The source code is available at https://github.com/YuchunWang24/DABSeg_ICPR
• Abstract（参考訳）: マルチモーダル3次元MRI脳腫瘍セグメント化は,放射線治療対象の脱線,手術計画,治療後の評価において重要なステップである。 既存の方法では、アーティファクトのないMRI画像を想定していることが多い。 しかし、スキャン中の避けられない患者の動きは、境界とテクスチャの特徴を劣化させるアーティファクトやぼかしを導入し、セグメンテーション性能が低下する。 このギャップを埋めるために,Blur-Segmentation Net (DABSeg)を導入した。 具体的には、ブラーとリバランスインテンシティを補償する特徴領域の運動分解ステムを提案する。 同時に、バックボーンネットワークは、モダリティの効果的な相補性を得るために、ぼやけを意識したクロスアテンションモジュールとマルチスケールの残留アグリゲーションを組み込む。 特に、重み付きDiceと無バランスな重みを小さな目標に適用し、小さな病変や境界領域の学習強度と予測安定性を高めることで、重み付きDiceと明確な参照再構成項を組み合わせた共同損失を最適化する。 BraTS2020データセットの系統的比較と退化実験により、DABSegが腫瘍のDiceスコアと境界精度で最先端の手法を上回ることが一貫して示されている。 これらの結果は、現実的な変性条件下でのマルチモーダル3次元脳腫瘍セグメンテーションの堅牢性と臨床的有用性を改善するために、変性型クロスタスク協調学習の有効性を検証した。 ソースコードはhttps://github.com/YuchunWang24/DABSeg_ICPRで公開されている。

関連論文リスト

• Brain MR Image Synthesis with Multi-contrast Self-attention GAN [0.2291770711277359]
  3D-MC-SAGANは3Dマルチコントラスト合成フレームワークである。 腫瘍特性を保ちながら、1つのT2入力から高忠実度欠落モードを生成する。 最先端の定量的性能を達成し、視覚的にコヒーレントで解剖学的に妥当なコントラストを生成する。
  論文  参考訳（メタデータ） (2026-03-31T13:43:53Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• 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)
• RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation [0.624829068285122]
  機能アライメントのための強化学習により強化されたデュアルブランチU-Netアーキテクチャを提案する。 このモデルは、デュアルブランチU字型ネットワークを用いて、CTとMRIのパッチを並列に処理し、新しいRL-XAlignモジュールを導入する。 公開されているMM-WHS 2017データセットの実験結果は、提案されたRL-U$2$Netが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-04T16:12:06Z)
• Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
  本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。 このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。 提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
  論文  参考訳（メタデータ） (2025-07-14T07:29:49Z)
• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。