論文の概要: WoundFormer: Multi-Scale Spatial Feature Fusion for Multi-Class Wound Tissue Segmentation

• arxiv url: http://arxiv.org/abs/2605.19868v1
• Date: Tue, 19 May 2026 13:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.386023
• Title: WoundFormer: Multi-Scale Spatial Feature Fusion for Multi-Class Wound Tissue Segmentation
• Title（参考訳）: WoundFormer: マルチクラスの組織分割のためのマルチスケール空間的特徴フュージョン
• Authors: Muhammad Ashad Kabir, Rabin Dulal,
• Abstract要約: マルチクラス創傷組織セグメンテーションのための階層的空間特徴融合を強化するトランスフォーマーベースのフレームワークであるWoundFormerを提案する。 We evaluate WoundFormer on the WoundT IssueSeg dataset (147 image, six tissue class) and a second benchmark (DFUTissue dataset)。
• 参考スコア（独自算出の注目度）: 0.5442955439283729
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chronic wounds such as diabetic foot ulcers and pressure injuries require accurate tissue-level assessment to guide treatment planning and monitor healing progression. While deep learning methods have advanced automated wound analysis, most existing approaches focus on binary segmentation and inadequately model heterogeneous tissue composition due to high intra-class variability and limited annotated data. Multi-class wound tissue segmentation, therefore, remains a challenging and clinically relevant problem. We propose WoundFormer, a transformer-based framework that enhances hierarchical spatial feature fusion for multi-class wound tissue segmentation. Specifically, we replace the standard SegFormer decoder with a spatially-preserving multi-scale aggregation head that maintains feature topology during cross-scale integration and strengthens contextual interactions through convolutional fusion. This design improves boundary localization and discrimination between visually similar tissue categories while preserving transformer efficiency. We evaluate WoundFormer on the WoundTissueSeg dataset (147 images, six tissue classes) and a second benchmark (DFUTissue dataset). The proposed method achieves an overall Dice score of 81.9%, outperforming strong CNN- and transformer-based baselines by up to 4.3 Dice points on the WoundTissueSeg benchmark, with consistent improvements across minority tissue classes. These results indicate that explicit modeling of hierarchical spatial interactions enhances transformer representations for heterogeneous wound tissue segmentation and supports more reliable quantitative wound assessment.
• Abstract（参考訳）: 糖尿病性足の潰瘍や圧力障害などの慢性的な傷は、正確な組織レベルの評価を必要とし、治療計画の導出と治癒の進行の監視を行う。 深層学習には高度な自動創傷解析法があるが、既存のアプローチのほとんどは、高いクラス内変動と限られた注釈付きデータにより、バイナリセグメンテーションと不適切なヘテロジニアス組織組成のモデル化に重点を置いている。 したがって、多クラス創傷組織セグメンテーションは、困難で臨床的に関係のある問題である。 マルチクラス創傷組織セグメンテーションのための階層的空間特徴融合を強化するトランスフォーマーベースのフレームワークであるWoundFormerを提案する。 具体的には、標準のSegFormerデコーダを空間保存型マルチスケールアグリゲーションヘッドに置き換え、クロススケール統合時の特徴トポロジを維持し、畳み込み融合によるコンテキスト相互作用を強化する。 この設計は、トランスフォーマー効率を保ちながら、視覚的に類似した組織カテゴリの境界位置と識別を改善する。 我々は、WoundT IssueSegデータセット(147画像、6つの組織クラス)と第2のベンチマーク(DFUTissueデータセット)でWoundFormerを評価した。 提案手法はDiceスコアの81.9%を達成し,より強力なCNNおよびトランスフォーマーベースのベースラインを最大4.3Diceポイントで達成し,少数組織のクラス間で一貫した改善を施した。 これらの結果は、階層的空間相互作用の明示的なモデリングにより、異種創傷組織分節のトランスフォーマー表現が促進され、より信頼性の高い定量的創傷評価が支持されることを示している。

関連論文リスト

• Tissue Aware Nuclei Detection and Classification Model for Histopathology Images [0.5219568203653522]
  組織認識核検出(TAND, tissue-Aware Nuclei Detection)は, 関節核の検出と分類を実現する新しいフレームワークである。 TANDは、ConvNeXtベースのエンコーダデコーダと凍結したVirchow-2組織セグメンテーションブランチを結合し、セマンティック組織確率は分類ストリームを選択的に調節する。 TANDは最先端のパフォーマンスを達成し、組織に依存しないベースラインとマスクを監督する手法の両方を超越する。
  論文  参考訳（メタデータ） (2025-11-17T17:21:05Z)
• Deep Skin Lesion Segmentation with Transformer-CNN Fusion: Toward Intelligent Skin Cancer Analysis [7.83167489472557]
  本稿では,改良されたTransUNetアーキテクチャに基づく高精度セマンティックセマンティックセマンティクス手法を提案する。 この方法はトランスフォーマーモジュールを従来のエンコーダ・デコーダフレームワークに統合し、グローバルな意味情報をモデル化する。 境界誘導型アテンション機構とマルチスケールアップサンプリングパスも、病変境界の局所化とセグメンテーションの整合性を改善するために設計されている。
  論文  参考訳（メタデータ） (2025-08-20T07:59:00Z)
• Unit-Based Histopathology Tissue Segmentation via Multi-Level Feature Representation [36.53156355717765]
  UTSは病理組織学のための単位ベースの組織分節フレームワークである。 各ピクセルではなく、各固定サイズ32×32タイルをセグメンテーション単位として分類する。 腫瘍ストローマ定量化や外科的マージン評価などの臨床的に関係のあるタスクをサポートする。
  論文  参考訳（メタデータ） (2025-07-16T17:15:18Z)
• 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)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)

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。