論文の概要: From Convolution to Transformer: A Comparative Study of U-Net Variants for Brain Tumor and Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2606.22168v1
• Date: Sat, 20 Jun 2026 17:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:22:00.168111
• Title: From Convolution to Transformer: A Comparative Study of U-Net Variants for Brain Tumor and Retinal Vessel Segmentation
• Title（参考訳）: コンボリューションからトランスフォーマーへ:脳腫瘍および網膜血管セグメンテーションにおけるU-Net変異体の比較研究
• Authors: Khoa Pham, Sindhuja Penchala, Jiacheng Li, Andy Perkins, Noorbakhsh Amiri Golilarz,
• Abstract要約: 本稿では,U-Net 3D,Residual U-Net, Attention U-Net, UNETR, Swin UNETRの5つのアーキテクチャを比較した。 結果から、Swin UNETRはBraTS 2023では0.8965、DRIVEでは0.8078、全体的なパフォーマンスで最高の成績を収めている。
• 参考スコア（独自算出の注目度）: 4.432419259191087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation plays an important role in computer aided diagnosis, treatment planning, and disease monitoring. U-Net has been widely used for biomedical image segmentation because of its encoder decoder structure and skip connections. However, conventional convolution based U-Net models may have limited ability to capture long range dependencies and global contextual information, which can affect performance in complex segmentation tasks. This paper presents a comparative study of five U-Net based architectures: U-Net 3D, Residual U-Net, Attention U-Net, UNETR, and Swin UNETR. The models are evaluated on two benchmark datasets: BraTS 2023 for brain tumor segmentation and DRIVE for retinal vessel segmentation. Experimental results show that Swin UNETR achieves the best overall performance, with Dice scores of 0.8965 on BraTS 2023 and 0.8078 on DRIVE. The results suggest that transformer based U-Net variants are effective for segmentation tasks requiring global contextual modeling, while residual learning remains useful for fine structure segmentation. This study provides practical insights into model selection for medical image segmentation across volumetric MRI and retinal imaging tasks.
• Abstract（参考訳）: 医療画像のセグメンテーションは、コンピュータによる診断、治療計画、疾患モニタリングにおいて重要な役割を果たしている。 U-Netは、エンコーダデコーダ構造とスキップ接続のため、バイオメディカルイメージセグメンテーションに広く利用されている。 しかし、従来の畳み込みベースのU-Netモデルは、複雑なセグメンテーションタスクのパフォーマンスに影響を与えるような、長距離依存やグローバルなコンテキスト情報をキャプチャする能力に制限がある可能性がある。 本稿では,U-Net 3D,Residual U-Net, Attention U-Net, UNETR, Swin UNETRの5つのアーキテクチャを比較した。 モデルは、脳腫瘍のセグメンテーションのためのBraTS 2023と網膜血管のセグメンテーションのためのDRIVEの2つのベンチマークデータセットで評価される。 実験の結果、Swin UNETR は BraTS 2023 では 0.8965 、DRIVE では 0.8078 のスコアで最高性能を達成した。 その結果,変換器に基づくU-Net変種はグローバルな文脈モデリングを必要とするセグメンテーションタスクに有効であり,残差学習は微細構造セグメンテーションに有用であることが示唆された。 本研究は, 容積MRIおよび網膜イメージングタスクにおける医用画像分割のためのモデル選択に関する実用的な知見を提供する。

関連論文リスト

• Performance Analysis of Deep Learning Models for Femur Segmentation in MRI Scan [5.5193366921929155]
  我々は3つのCNNベースモデル(U-Net, Attention U-Net, U-KAN)と1つのトランスフォーマーベースモデルSAM 2の性能評価と比較を行った。 このデータセットは11,164個のMRIスキャンと大腿骨領域の詳細なアノテーションから構成されている。 注意点U-Netは全体のスコアが最も高く、U-KANは興味の少ない解剖学的領域において優れたパフォーマンスを示した。
  論文  参考訳（メタデータ） (2025-04-05T05:47:56Z)
• 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)
• 3D Medical Image Segmentation based on multi-scale MPU-Net [5.393743755706745]
  本稿では,患者のCT画像に対する腫瘍分割モデルMPU-Netを提案する。 グローバルアテンション機構を備えたTransformerにインスパイアされている。 ベンチマークモデルであるU-Netと比較して、MPU-Netは優れたセグメンテーション結果を示す。
  論文  参考訳（メタデータ） (2023-07-11T20:46:19Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• Category Guided Attention Network for Brain Tumor Segmentation in MRI [6.685945448824158]
  カテゴリー案内注意U-Net(CGA U-Net)という新しいセグメンテーションネットワークを提案する。 本モデルでは,より正確かつ安定した特徴写像の長距離依存性を計算コストを伴わずに捉えることのできる,注目機構に基づくスーパービジョンアテンションモジュール(SAM)を設計する。 BraTS 2019データセットの実験的結果は、提案手法がセグメント化性能と計算複雑性の両方において最先端のアルゴリズムより優れていることを示している。
  論文  参考訳（メタデータ） (2022-03-29T09:22:29Z)

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。