Fugu-MT 論文翻訳(概要): MHMamba: Multi-Head Mamba for 3D Brain Tumor Segmentation

論文の概要: MHMamba: Multi-Head Mamba for 3D Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2605.16464v1
Date: Fri, 15 May 2026 10:05:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:46.496561
Title: MHMamba: Multi-Head Mamba for 3D Brain Tumor Segmentation
Title（参考訳）: 3次元脳腫瘍切除のためのマルチヘッドマンバMHMamba
Abstract要約: 本稿では,長距離依存関係のモデル化におけるCNNの限界に対処するため,マルチヘッドマンバ(MHMamba)を提案する。 U字型アーキテクチャとマルチヘッド状態空間モデル(Mamba)を組み合わせて、チャネル次元を並列SSMヘッドに分割し、それらを残差で集約する。結果: MHMambaは, 腫瘍コアおよび小体積拡張領域に対する総合的精度, 境界平滑性, 感度において, 安定かつ有意な改善を達成した。
参考スコア（独自算出の注目度）: 6.1337977581640075
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Brain tumors exhibit high heterogeneity in morphology and multimodal contrast, making manual slice-by-slice de lineation time-consuming and experience-dependent, thus necessitating efficient and stable automated segmentation methods. To address the limitations of CNNs in modeling long-range dependencies, and the heavy computational and memory overhead and inter-block contextual in coherence of Transformers in 3D MRI, this paper proposes Multi-Head Mamba (MHMamba). This method combines a U-shaped architecture with a multi-head state-space model (Mamba), splitting the channel dimension into parallel SSM heads and aggregating them with residuals. This enhances long-range representation and improves the stability of multimodal training while maintaining linear complexity. To further align statistics and enhance lesion response, we designed a channel-space calibration module for multi-head outputs and introduced an adaptive fusion mechanism at skip connections to dynamically connect global semantics with local details, thereby improving boundary consistency and the detection of small-volume lesions. We conducted experiments and ablations on BraTS2021 and BraTS2023. The results showed that MHMamba achieved stable and significant improvements in overall accuracy, boundary smoothness, and sensitivity to tumor core and small-volume enhancement areas, while preserving the linear-complexity advantage of Mamba-based modeling, thus verifying the effectiveness and versatility of the method.
Abstract（参考訳）: 脳腫瘍は、形態学とマルチモーダルコントラストにおいて高い均一性を示し、手動スライス・バイ・スライス・デ・スライス・デ・ライニングの時間と経験に依存し、効率的で安定した自動セグメンテーション法を必要とする。長距離依存関係のモデリングにおけるCNNの限界と3次元MRIにおけるトランスフォーマーのコヒーレンスにおける計算・メモリオーバーヘッドとブロック間コンテキストの重大さに対処するため,MHMamba(MHMamba)を提案する。この方法は、U字型アーキテクチャとマルチヘッド状態空間モデル(Mamba)を組み合わせて、チャネル次元を並列SSMヘッドに分割し、それらを残差で集約する。これにより、長距離表現が向上し、線形複雑性を維持しながらマルチモーダルトレーニングの安定性が向上する。マルチヘッド出力のためのチャネル空間キャリブレーションモジュールを設計し,グローバルなセマンティクスと局所的な詳細を動的に接続する適応融合機構を導入し,境界の整合性の向上と小体積病変の検出を実現した。我々はBraTS2021とBraTS2023の実験を行った。以上の結果から,MHMambaは腫瘍コアおよび小体積拡張領域に対する総合的精度,境界の平滑性,感度を安定的に向上し,Mambaベースモデリングの線形複雑性優位性を保ち,本手法の有効性と汎用性を検証した。

関連論文リスト

AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。 5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文参考訳（メタデータ） (2026-06-28T11:36:31Z)
MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文参考訳（メタデータ） (2026-06-22T10:14:06Z)
BiSegMamba: Efficient Bidirectional Tri-Oriented Mamba for 3D Medical Image Segmentation [6.344197178127241]
本稿では,3次元医用画像分割のための3次元ネットワークであるBiSegMambaを提案する。 BiSegMambaは、血管、心臓、脳腫瘍、腹部の多臓器セグメンテーションタスクを一般化する。 SegMamba-V2と比較して、BiSegMambaはBraTS2023のパフォーマンスがわずかに向上し、ACDCと頸動脈データセットが明確になった。
論文参考訳（メタデータ） (2026-05-29T08:13:22Z)
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文参考訳（メタデータ） (2026-05-21T09:55:42Z)
NeuroMamba: Multi-Perspective Feature Interaction with Visual Mamba for Neuron Segmentation [10.906979279002577]
NeuroMambaは、パッチフリーなグローバルモデリングを可能にするために、Mambaの線形複雑性を利用する多視点フレームワークである。提案手法は,4つの公開EMデータセットにまたがる最先端性能を実証し,異方性および等方性の両方に優れた適応性を検証した。
論文参考訳（メタデータ） (2026-01-22T13:06:24Z)
TSkel-Mamba: Temporal Dynamic Modeling via State Space Model for Human Skeleton-based Action Recognition [59.99922360648663]
TSkel-Mambaは、空間力学と時間力学の両方を効果的に捉えるハイブリッドトランスフォーマー-Mambaフレームワークである。 MTIモジュールはマルチスケールのCycle演算子を使用して、チャネル間の時間的相互作用をキャプチャする。
論文参考訳（メタデータ） (2025-12-12T11:55:16Z)
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)
MSD-KMamba: Bidirectional Spatial-Aware Multi-Modal 3D Brain Segmentation via Multi-scale Self-Distilled Fusion Strategy [15.270952880303533]
本稿では,新しい3次元マルチモーダル画像分割フレームワークMSD-KMambaを提案する。双方向の空間知覚とマルチスケールの自己蒸留を統合している。我々のフレームワークは、セグメンテーション精度、ロバスト性、一般化における最先端の手法を一貫して上回っている。
論文参考訳（メタデータ） (2025-09-28T06:34:01Z)
Routing Mamba: Scaling State Space Models with Mixture-of-Experts Projection [88.47928738482719]
線形状態空間モデル(SSM)は、シーケンスモデリングにおいて顕著なパフォーマンス向上を提供する。 Mambaのような最近の進歩は、入力依存のゲーティングとハードウェア対応の実装により、SSMをさらに強化している。本稿では,線形射影の専門家による疎混合を用いてSSMパラメータをスケールする新しい手法であるRoM(Roing Mamba)を紹介する。
論文参考訳（メタデータ） (2025-06-22T19:26:55Z)
Mamba-Driven Topology Fusion for Monocular 3D Human Pose Estimation [41.14182025718559]
本研究では,マンバ駆動トポロジフュージョンによる3次元ポーズ推定手法を提案する。具体的には,提案した骨認識モジュールは球面座標系における骨ベクトルの方向と長さを推定する。また、シーケンス内の時間的関係と空間的関係の両方をモデル化する時空間リファインメントモジュールを設計する。
論文参考訳（メタデータ） (2025-05-27T01:21:57Z)
MLLA-UNet: Mamba-like Linear Attention in an Efficient U-Shape Model for Medical Image Segmentation [6.578088710294546]
従来のセグメンテーション手法は、高い解剖学的変動、ぼやけた組織の境界、低い臓器コントラスト、ノイズといった課題に対処するのに苦労する。 MLLA-UNet(Mamba-like Linear Attention UNet)を提案する。 MLLA-UNetは、FLARE22、AMOS CT、ACDCに限らず、24の異なるセグメンテーションタスクを持つ6つの挑戦的なデータセットに対して、平均88.32%の最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2024-10-31T08:54:23Z)
MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection [53.03687787922032]
長距離モデリングと線形効率の優れたマンバモデルが注目されている。本研究は,マルチクラス非教師付き異常検出へのMambaADの適用の先駆者であり,MambaADを提示する。提案したLSSモジュールは、並列カスケード(Hybrid State Space) HSSブロックとマルチカーネル畳み込み操作を統合し、長距離情報とローカル情報の両方を効果的にキャプチャする。
論文参考訳（メタデータ） (2024-04-09T18:28:55Z)

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。