論文の概要: MNet++: Extended 2D/3D Networks for Anisotropic Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.15370v1
• Date: Sat, 13 Jun 2026 16:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.466404
• Title: MNet++: Extended 2D/3D Networks for Anisotropic Medical Image Segmentation
• Title（参考訳）: MNet++:異方性医用画像分割のための拡張2D/3Dネットワーク
• Authors: Kirsten Odendaal, Rade Bajic,
• Abstract要約: この研究は、異方性医用画像セグメンテーション用に設計されたハイブリッド2D/3D畳み込みネットワークであるMNetの完全な複製と拡張を示す。 ProMISE前立腺MRIとLiTS肝CTの制御したサブセットを用いた前処理および計算制約下での実験を行った。 再現されたMNetは、PROMISEで89.0 +/- 0.9%のDice類似係数(DSC)を公表結果の0.8%以内で達成し、肝臓では94.3 +/- 1.9% / 54.6 +/-31%、LiTSでは腫瘍のセグメンテーションでそれぞれ達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work demonstrates a full reproduction and extension of MNet, a hybrid 2D/3D convolutional network designed for anisotropic medical image segmentation. The original architecture was re-implemented within the nnU-Net framework to verify its reported performance and robustness to variable voxel spacing, known as anisotropy. Experiments were conducted on PROMISE prostate MRI and a controlled subset of LiTS liver CT under matched preprocessing and compute constraints. The reproduced MNet achieved a Dice similarity coefficient (DSC) of 89.0 +/- 0.9% on PROMISE, within 0.8% of the published result, and 94.3 +/- 1.9% / 54.6 +/- 3.1% for liver and tumor segmentation on LiTS, respectively. Two lightweight extensions were further introduced: (1) a learned Fusion Gating mechanism enabling adaptive 2D-3D feature blending, and (2) a VMamba state-space module for efficient long-range depth modelling. The Spatial Gating variant improved DSC by +0.8% with less than 3% inference overhead, while VMamba improved performance consistency, reducing PROMISE Dice variation to +/- 0.7% and achieving the strongest LiTS liver performance at 95.8% Dice. Both extensions preserved MNet robustness to anisotropy, with delta Dice = 1.5% across 1-4 mm voxel spacing. Overall, the study confirms MNet reproducibility and demonstrates that adaptive fusion and state-space modelling have the potential to further strengthen segmentation reliability under anisotropic conditions. However, further tests are required to provide definitive conclusions.
• Abstract（参考訳）: この研究は、異方性医用画像セグメンテーション用に設計されたハイブリッド2D/3D畳み込みネットワークであるMNetの完全な複製と拡張を示す。 元々のアーキテクチャは、nU-Netフレームワーク内で再実装され、異方性として知られる可変ボクセル間隔に対する報告された性能と堅牢性を検証した。 ProMISE前立腺MRIとLiTS肝CTの制御したサブセットを用いた前処理および計算制約下での実験を行った。 再現されたMNetは、PROMISEで89.0 +/- 0.9%のDice類似係数(DSC)を公表結果の0.8%以内で達成し、肝臓では94.3 +/- 1.9% / 54.6 +/-31%、LiTSでは腫瘍のセグメンテーションでそれぞれ達成した。 さらに,(1)適応的な2D-3D特徴ブレンディングが可能なFusion Gating機構,(2)高効率な長距離深度モデリングのためのVMamba状態空間モジュールの2つの軽量拡張が導入された。 空間ゲーティングの変種は、DSCを+0.8%改善し、推論オーバーヘッドは3%未満で、VMambaはパフォーマンスの一貫性を改善し、ProMISE Diceの変種は+/-0.7%に減少し、95.8%Diceで最強のLiTS肝パフォーマンスを達成した。 どちらの拡張もMNetのロバスト性は異方性に保たれ、デルタDice = 1.5%は1-4mmのボクセル間隔で保たれた。 全体として、この研究はMNet再現性を確認し、適応核融合と状態空間モデリングが異方性条件下でのセグメンテーション信頼性をさらに強化する可能性を示す。 しかし、結論を出すにはさらなる検査が必要である。

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)
• 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)
• 3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation [0.0]
  3次元畳み込みニューラルネットワークは、T1強調脳スキャンを健康またはアルツハイマーと分類するために開発された。 ネットワークは、3D畳み込み、プーリング、バッチ正規化、密度の高いReLU層、シグモイド出力を含む。
  論文  参考訳（メタデータ） (2025-05-07T03:32:25Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。