論文の概要: SegGuidedNet: Sub-Region-Aware Attention Supervision for Interpretable Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2605.22572v1
• Date: Thu, 21 May 2026 14:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.588645
• Title: SegGuidedNet: Sub-Region-Aware Attention Supervision for Interpretable Brain Tumor Segmentation
• Title（参考訳）: SegGuidedNet: 解釈可能な脳腫瘍セグメンテーションのためのサブRegion-Aware Attention Supervision
• Authors: Hasaan Maqsood, Saif Ur Rehman Khan, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim,
• Abstract要約: 我々は,デコーダネットワークであるSegGuidedNetを提案する。このデコーダは,デコーダを監督し,各腫瘍の亜領域壊死コア,頭蓋周囲浮腫に対する空間的識別的アテンションマップを生成し,軽量な補助的損失により腫瘍を増強し,パラメーターのオーバーヘッドを0.2%以下に抑える。 SegGuidedNetは平均Dice 0.905を達成し、アンサンブルベースのnnU-NetとHNF-Netv2を1モデルとして上回り、Swin UNETRに2～4Diceポイント以内の10モデルアンサンブルに近づいた。
• 参考スコア（独自算出の注目度）: 5.995766869240907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of brain tumour sub-regions from multi-parametric MRI is critical for treatment planning yet remains challenging due to morphological variability, class imbalance, and overlapping appearances of tumour regions across imaging sequences. We propose SegGuidedNet, a three-dimensional residual encoder--decoder network introducing a novel SegAttentionGate module that explicitly supervises the decoder to produce spatially discriminative attention maps for each tumour sub-region necrotic core, peritumoral oedema, and enhancing tumour via a lightweight auxiliary loss, adding less than 0.2% parameter overhead. This sub-region supervision maintains decoder discriminability between visually ambiguous classes while providing free-of-cost spatial interpretability at inference without any post-hoc explanation method. Evaluated independently on BraTS2021 and BraTS2023 GLI across 251 held-out subjects each, SegGuidedNet achieves mean Dice of 0.905 (ET= 0.873, TC=0.906, WT=0.935) and 0.897 (ET=0.859, TC=0.902, WT=0.931) respectively, surpassing ensemble-based nnU-Net and HNF-Netv2 as a single model and approaching Swin UNETR a 10-model ensemble within 2--4 Dice points at a fraction of the inference cost. The consistency of results across two benchmark editions further confirms the generalisability of the proposed approach, offering competitive accuracy with built-in interpretability in a lightweight, clinically practical framework.
• Abstract（参考訳）: マルチパラメトリックMRIによる脳腫瘍サブ領域の正確なセグメンテーションは, 形態的変動, クラス不均衡, 腫瘍領域の出現の重複などにより, 治療計画上重要な課題である。 本稿では,3次元残留エンコーダ-デコーダネットワークであるSegGuidedNetを提案する。SegGuidedNetは,3次元残留エンコーダ-デコーダネットワークで,デコーダを明示的に監督し,各腫瘍部分領域の壊死コア,頭蓋周囲の浮腫に対する空間的識別的アテンションマップを生成し,軽量な補助損失により腫瘍を増強し,パラメーターのオーバーヘッドを0.2%以下に抑える。 このサブリージョン監視は、視覚的にあいまいなクラス間のデコーダ識別性を維持しつつ、ポストホックな説明法を使わずに、推論時に低コストな空間解釈性を提供する。 BraTS2021 と BraTS2023 GLI はそれぞれ 251 個の保持対象に対して独立に評価され、SegGuidedNet は平均 Dice の 0.905 (ET=0.873, TC=0.906, WT=0.935) と 0.897 (ET=0.859, TC=0.902, WT=0.931) をそれぞれ、アンサンブルベースのnnU-Net と HNF-Netv2 を 1 つのモデルとして上回り、Swing UNETR を 2--4 Dice の 10 モデルのアンサンブルに近づく。 2つのベンチマーク版にまたがる結果の整合性は、提案手法の一般性をさらに確認し、軽量で臨床的に実践的なフレームワークで、組み込みの解釈可能性と競合する精度を提供する。

関連論文リスト

• 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)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• 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)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
  目的は前立腺がんの検出と診断のワークフローを改善することである。 最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
  論文  参考訳（メタデータ） (2023-08-09T01:38:58Z)
• Nested-block self-attention for robust radiotherapy planning segmentation [3.2541650155921142]
  深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。 定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。 我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
  論文  参考訳（メタデータ） (2021-02-26T15:28:47Z)
• Brain tumour segmentation using cascaded 3D densely-connected U-net [10.667165962654996]
  本稿では,脳腫瘍をサブリージョンに分割する深層学習手法を提案する。 提案アーキテクチャは,U-Netアーキテクチャの変種に基づく3次元畳み込みニューラルネットワークである。 BraTS20バリデーションデータセットの実験結果から, 提案したモデルでは, 全腫瘍, 腫瘍コア, 造影腫瘍の平均Diceスコアが0.90, 0.82, 0.78に達した。
  論文  参考訳（メタデータ） (2020-09-16T09:14:59Z)

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。