論文の概要: ResNet-34 with Lightweight Decoder for Accurate and Efficient Segmentation of Fetal Brain MRI

• arxiv url: http://arxiv.org/abs/2606.01293v1
• Date: Sun, 31 May 2026 15:25:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.503215
• Title: ResNet-34 with Lightweight Decoder for Accurate and Efficient Segmentation of Fetal Brain MRI
• Title（参考訳）: ResNet-34による胎児脳MRIの高精度・高精細化
• Authors: Ashiqur Rahman, Muhammad E. H. Chowdhury, Md. Abu Sayed, Md. Sharjis Ibne Wadud, Abu Naser Md. Arafat, Mehedi Hasan Prince,
• Abstract要約: 本研究では,ResNet-34エンコーダと軽量デコーダを組み合わせた新しいディープラーニングモデルを提案する。 トレーニングされ、FeTAデータセット上で5倍のクロスバリデーションを使用して検証される。 平均精度は97.37%で、Dice similarity Coefficient(DSC)は90.33%、Intersection over Union(IoU)は86.93%、Precisionは90.83%である。
• 参考スコア（独自算出の注目度）: 3.3745145603015985
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of fetal brain tissues in Magnetic Resonance Imaging (MRI) is critical for early diagnosis of congenital abnormalities and improving prenatal care. However, the task remains difficult because of fetal motion, low tissue contrast, and major anatomical variability throughout gestational ages, particularly in segmenting complex structures such as white matter, gray matter, lateral ventricles, deep gray matter, extra-cerebrospinal fluid, cerebellum, and brainstem. As a solution to these difficulties, this research introduces a novel deep learning model that combines a ResNet-34 encoder with a lightweight decoder leveraging multi-layer perceptron (MLP) modules for adaptive feature refinement. This design specifically enhances the model's ability to preserve anatomical boundaries and mitigate segmentation errors caused by motion artifacts and intensity inhomogeneities. Computational efficiency is achieved by reducing parameter count, employing bilinear upsampling instead of transposed convolutions, and optimizing the decoder for speed without sacrificing accuracy. Trained and validated on the FeTA 2021 dataset using 5-fold cross-validation, the proposed model outperforms baseline architectures such as UNet, UNet++, DeepLabV3, and DeepLabV3+, achieving an average Accuracy of 97.37% with a mean Dice Similarity Coefficient (DSC) of 90.33%, mean Intersection over Union (IoU) of 86.93%, and Precision of 90.83%. Additionally, its fast inference time and reduced computational load make it well-suited for integration into real-time clinical workflows.
• Abstract（参考訳）: MRIにおける胎児脳組織の正確なセグメンテーションは先天性異常の早期診断と出生前ケアの改善に重要である。 しかし、胎児運動、低組織コントラスト、および妊娠期の大きな解剖学的変動により、特に白質、灰白質、側室、深い灰白質、髄外液、小脳、脳幹といった複雑な構造を分断する作業は困難である。 そこで本研究では,ResNet-34エンコーダと多層パーセプトロン(MLP)モジュールを利用した軽量デコーダを組み合わせた新しいディープラーニングモデルを提案する。 この設計は、解剖学的境界を保ち、運動人工物や強度の不均一性に起因するセグメンテーションエラーを緩和するモデルの能力を特に強化する。 演算効率は、パラメータ数を削減し、変換された畳み込みの代わりに双線形アップサンプリングを採用し、デコーダを精度を犠牲にすることなく速度を最適化することで達成される。 5倍のクロスバリデーションを用いてFeTA 2021データセット上でトレーニングされ、検証され、提案されたモデルは、UNet、UNet++、DeepLabV3、DeepLabV3+といったベースラインアーキテクチャよりも優れ、平均精度は97.37%で、Dice similarity Coefficient(DSC)は93%、平均インターセクションは86.93%、精度は90.83%である。 さらに、高速な推論時間と計算負荷の削減により、リアルタイムな臨床ワークフローに統合するのに適している。

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)
• Geometrical Cross-Attention and Nonvoid Voxelization for Efficient 3D Medical Image Segmentation [7.130249306182679]
  GCNV-Netは3方向動的非ボイドボクセル変換器(3DNVT)を統合した新しい3次元医用セグメンテーションフレームワークである 非ボイドボクセル化プロセスは情報領域のみであり、セグメンテーション品質を損なうことなく計算の冗長性を著しく低減する。 Diceでは0.65%,IoUでは0.63%,NSDでは1%,HD95では比較的14.5%を達成している。
  論文  参考訳（メタデータ） (2026-04-07T07:13:36Z)
• 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)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
  本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。 胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
  論文  参考訳（メタデータ） (2024-08-12T19:19:23Z)
• LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
  LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
  論文  参考訳（メタデータ） (2024-04-09T00:05:45Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• E2ENet: Dynamic Sparse Feature Fusion for Accurate and Efficient 3D Medical Image Segmentation [34.865695471451886]
  E2ENet(Efficient to Efficient Network)と呼ばれる3次元医用画像分割モデルを提案する。 パラメトリックと計算効率の2つの設計が組み込まれている。 さまざまなリソース制約に対して、正確性と効率性のトレードオフを一貫して達成します。
  論文  参考訳（メタデータ） (2023-12-07T22:13:37Z)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)

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。