論文の概要: ++nnU-Net: Scaling nnU-Net with Prefix-Based Data Augmentation

• arxiv url: http://arxiv.org/abs/2606.10713v1
• Date: Tue, 09 Jun 2026 11:19:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.462886
• Title: ++nnU-Net: Scaling nnU-Net with Prefix-Based Data Augmentation
• Title（参考訳）: ++nnU-Net: プレフィックスベースのデータ拡張によるnnU-Netのスケーリング
• Authors: Ana Sofia Santos, André Ferreira, Gijs Luijten, Naida Solak, Lisle Faray de Paiva, Behrus Hinrichs-Puladi, Jens Kleesiek, Jan Egger, Victor Alves,
• Abstract要約: 本稿では,前処理およびトレーニング前で動作する画像登録に基づく新しいデータ拡張モジュールである++nnU-Netを提案する。 我々は、++nnU-NetがnU-Netベースラインより優れており、Dice similarity Coefficientスコアが向上していることを示した。
• 参考スコア（独自算出の注目度）: 5.223162846718328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The nnU-Net has demonstrated continuous success in medical segmentation tasks, which heavily rely on the availability and diversity of annotated biomedical data. However, assembling medical imaging cohorts remains challenging due to numerous factors such as privacy regulations and annotation costs. As a result, data augmentation plays a crucial role in increasing data availability while maintaining anatomical feasibility. Hence, we propose the ++nnU-Net, a novel data augmentation module based on image registration that operates prior to preprocessing and training take place. Our framework was evaluated across five different 2D datasets. In this workflow, image data go through a two-stage registration process, generating new warped images. The transformations are then applied to the respective segmentation. In addition, the pipeline computes available disk space, generates supplementary binary synthetic masks and generates checkpoints. We demonstrate that the ++nnU-Net outperforms the nnU-Net baseline, yielding improvements in Dice Similarity Coefficient scores. In the most prominent cases, we observe performance gains of approximately 22\%. These findings highlight the effectiveness of registration-based data augmentation, particularly for 2D medical imaging datasets and suggest that the ++nnU-Net provides a practical and scalable approach for enhancing segmentation performance in data-limited settings. The source code for the ++nnU-Net is available at: https://github.com/sofia-adelie/plusplusnnunet.git
• Abstract（参考訳）: nnU-Netは、アノテートされたバイオメディカルデータの可用性と多様性に大きく依存する医療セグメンテーションタスクにおいて、継続的な成功を示してきた。 しかし、プライバシ規制やアノテーションコストなど多くの要因により、医用画像のコホートを組み立てることは依然として困難である。 その結果、データ拡張は、解剖学的実現可能性を維持しながら、データの可用性を高める上で重要な役割を担っている。 そこで我々は,前処理やトレーニングを行う前に,画像登録に基づく新しいデータ拡張モジュールである++nnU-Netを提案する。 フレームワークは5つの異なる2次元データセットで評価された。 このワークフローでは、画像データは2段階の登録プロセスを経て、新しいワープされた画像を生成する。 変換は各セグメンテーションに適用される。 さらに、パイプラインは利用可能なディスク空間を計算し、補足的なバイナリ合成マスクを生成し、チェックポイントを生成する。 我々は、++nnU-NetがnU-Netベースラインより優れており、Dice similarity Coefficientスコアが向上していることを示した。 最も顕著なケースでは、約22\%のパフォーマンス向上を観察します。 これらの知見は、特に2次元医用画像データセットにおいて、登録ベースのデータ拡張の有効性を強調し、++nnU-Netがデータ制限設定におけるセグメンテーション性能を向上させるための実用的でスケーラブルなアプローチを提供することを示唆している。 ++nnU-Netのソースコードは、https://github.com/sofia-adelie/plusnnunet.git.comで入手できる。

関連論文リスト

• Is Exchangeability better than I.I.D to handle Data Distribution Shifts while Pooling Data for Data-scarce Medical image segmentation? [12.292774988144949]
  データ不足は、特にディープラーニングモデルにおいて、医療画像における大きな課題である。 深層ネットワークのすべての層にまたがる前景特徴差を制御できる手法を提案する。 本手法は,5つのデータセットにまたがる病理組織像と超音波画像における最先端のセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2025-07-25T17:55:06Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation [0.5735035463793008]
  本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。 提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。 エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
  論文  参考訳（メタデータ） (2022-06-03T19:42:44Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
  本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。 このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。 早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
  論文  参考訳（メタデータ） (2020-06-08T18:59:24Z)
• DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
  DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
  論文  参考訳（メタデータ） (2020-06-08T18:38:24Z)

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。