論文の概要: ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.22002v1
• Date: Thu, 21 May 2026 04:58:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.099276
• Title: ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation
• Title（参考訳）: ConvNeXt-FD:ロバストバイオメディカル画像分割のためのフラクタルベースディープモデル
• Authors: Joao Batista Florindo, Amanda Pontes de Oliveira Ornelas,
• Abstract要約: 本稿では,バイオメディカルイメージセグメンテーションのための新しいディープラーニングアーキテクチャであるConvNeXt-FDを紹介する。 提案手法は,Dice係数と境界対応正規化項を組み合わせたハイブリッド損失関数を統合する。 我々は6つの異なるバイオメディカルデータセット間でConvNeXt-FDを厳格に評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical image segmentation is a critical task in medical diagnosis and treatment planning, enabling precise delineation of anatomical structures and pathological regions. Despite significant advancements, challenges persist due to the inherent variability, noise, and complex morphology present in diverse medical imaging modalities. This paper introduces ConvNeXt-FD, a novel deep learning architecture for robust biomedical image segmentation, built upon a U-Net-like encoder-decoder framework leveraging the powerful ConvNeXt backbone. Our approach integrates a hybrid loss function combining the Dice coefficient with a boundary-aware regularization term inspired by a differentiable formulation of Fractal Dimension, designed to enhance the model's sensitivity to object boundaries and shape fidelity. We rigorously evaluate ConvNeXt-FD across six distinct biomedical datasets: BUSI (Breast Ultrasound Images), DDTI (Thyroid Ultrasound Images), FluoCells (Fluorescent Cell Images), IDRiD (Diabetic Retinopathy Images for Optic Disc Segmentation), ISIC2018 (Skin Lesion Images), and MoNuSeg (Nuclei Segmentation). Experimental results demonstrate that ConvNeXt-FD, particularly when initialized with ImageNet pre-trained weights, achieves competitive and often superior performance compared to existing state-of-the-art methods across various metrics, including Dice, Jaccard, Accuracy, Sensitivity, Specificity, and False Positive Rate. The integration of ConvNeXt as a strong encoder, coupled with the boundary-aware regularization, proves effective in capturing both high-level semantic features and fine-grained boundary details, leading to more accurate and reliable segmentations in challenging biomedical contexts.
• Abstract（参考訳）: バイオメディカルイメージセグメンテーションは、医学的診断と治療計画において重要な課題であり、解剖学的構造と病理学的領域の正確な記述を可能にする。 著しい進歩にもかかわらず、様々な医療画像モダリティに存在する固有の変動性、ノイズ、複雑な形態のため、課題は継続する。 本稿では,強力なConvNeXtバックボーンを活用するU-Netライクなエンコーダデコーダフレームワーク上に構築された,堅牢なバイオメディカルイメージセグメンテーションのための新しいディープラーニングアーキテクチャであるConvNeXt-FDを紹介する。 本手法は,Dice係数とFractal Dimensionの微分可能な定式化にインスパイアされた境界認識正規化項を組み合わせたハイブリッド損失関数を統合する。 BUSI (Breast Ultrasound Images), DDTI (Thyroid Ultrasound Images), FluoCells (Fluorescent Cell Images), IDRiD (Diabetic Retinopathy Images for Optic Disc Segmentation), ISIC2018 (Skin Lesion Images), MoNuSeg (Nuclei Segmentation) の6つの異なるバイオメディカルデータセットを厳格に評価した。 ConvNeXt-FDは、特にImageNetの事前学習重量で初期化されると、Dice、Jaccard、精度、感度、特異性、偽陽性率など、さまざまなメトリクスの既存の最先端手法と比較して、競争力があり、しばしば優れた性能を発揮する。 強いエンコーダとしてのConvNeXtの統合は、境界認識正規化と相まって、高レベルのセマンティック特徴ときめ細かい境界の詳細の両方を捉えるのに有効であることが証明され、より正確で信頼性の高いバイオメディカルコンテキストのセグメンテーションが実現された。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Uncertainty-Aware Vision-Language Segmentation for Medical Imaging [12.545486211087791]
  医療診断のための新しい不確実性を考慮したマルチモーダルセグメンテーションフレームワークを提案する。 本稿では,高効率なクロスモーダル融合を実現するために,軽量なステートスペースミキサ(SSMix)を備えたModality Decoding Attention Block (MoDAB)を提案する。 本研究は,視覚言語医学的セグメンテーションタスクにおいて,不確実性モデリングと構造化モダリティアライメントを取り入れることの重要性を強調した。
  論文  参考訳（メタデータ） (2026-02-16T06:27:51Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• MS-DCANet: A Novel Segmentation Network For Multi-Modality COVID-19 Medical Images [3.340523650338255]
  新型コロナウイルス(COVID-19)パンデミックは公衆衛生の負担を増し、人間に深刻な災害をもたらした。 境界線がぼやけたり、コントラストが低かったり、感染部位が違っていたりした新型コロナウイルスの医療画像に特筆すべき点として、より複雑なものを追加することで精度を向上させた研究者もいる。 本稿では,MSDCANetという対称自動セグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-22T05:51:52Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。