論文の概要: DCSNet: Multiscale Feature Aggregation for Small Medical Object Segmentation with Detection-guided Hierarchical Cropping

• arxiv url: http://arxiv.org/abs/2606.28402v1
• Date: Wed, 24 Jun 2026 12:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.548749
• Title: DCSNet: Multiscale Feature Aggregation for Small Medical Object Segmentation with Detection-guided Hierarchical Cropping
• Title（参考訳）: DCSNet:検出誘導階層型クロップを用いた小型医用物体分割のためのマルチスケール特徴集約
• Abstract要約: 医用画像における小さな物体のセグメンテーションは、主にクラス不均衡と固有の境界複雑性によって妨げられる。 本研究では,グローバルな高密度予測を局所的な精錬プロセスに変換するエンドツーエンドフレームワークである検出誘導クロッピングネットワーク(DCSNet)を提案する。 3つの多様な医療データセットにわたる大規模な実験により、DCSNetは既存の最先端の手法を大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 23.520754995911517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small object segmentation in medical imaging is primarily hindered by class imbalance and inherent boundary complexity. Consequently, conventional global networks frequently fail to detect sparse targets or suffer from severe edge degradation. To overcome these limitations, we propose the Detection-guided Cropping Segmentation Network (DCSNet), an end-to-end framework that transforms global dense prediction into a localized refinement process. This framework integrates two core components, namely Detection-guided Hierarchical Cropping (DGHC) and Multiscale Feature Aggregation (MSFA). The DGHC module leverages region proposals to dynamically extract object-centric features, effdataectively filtering out massive background interference to mitigate class imbalance. Subsequently, the MSFA module operates strictly within these purified regions, synergizing a Transformer encoder with a pixel-adaptive fusion strategy. This mechanism dynamically aggregates multiscale features to capture both semantic context and fine-grained details for sharp boundary delineation. Extensive experiments across three diverse medical datasets demonstrate that DCSNet significantly outperforms existing state-of-the-art methods, yielding substantial improvements in boundary precision and offering a highly robust solution for clinical micro-lesion segmentation.
• Abstract（参考訳）: 医用画像における小さな物体のセグメンテーションは、主にクラス不均衡と固有の境界複雑性によって妨げられる。 その結果、従来のグローバルネットワークはスパースターゲットの検出に失敗したり、深刻なエッジ劣化に苦しんだりすることが少なくなった。 これらの制限を克服するために,グローバルな高密度予測を局所的な精錬プロセスに変換するエンドツーエンドのフレームワークである検出誘導クロッピングセグメンテーションネットワーク(DCSNet)を提案する。 このフレームワークは、検出誘導階層型クロップ(DGHC)とMSFA(Multiscale Feature Aggregation)という、2つのコアコンポーネントを統合している。 DGHCモジュールは、領域の提案を利用してオブジェクト中心の特徴を動的に抽出し、大規模なバックグラウンド干渉を選択的にフィルタリングしてクラス不均衡を軽減する。 その後、MSFAモジュールはこれらの精製領域内で厳密に動作し、トランスフォーマーエンコーダとピクセル適応型融合戦略を相乗化する。 このメカニズムはマルチスケールの特徴を動的に集約し、シャープな境界記述のためのセマンティックコンテキストときめ細かい詳細の両方をキャプチャする。 3つの多様な医学データセットにわたる大規模な実験により、DCSNetは既存の最先端手法を著しく上回り、境界精度を大幅に改善し、臨床マイクロ配列セグメンテーションのための非常に堅牢なソリューションを提供することを示した。

関連論文リスト

• RDNet: Region Proportion-Aware Dynamic Adaptive Salient Object Detection Network in Optical Remote Sensing Images [78.19052099452695]
  地域分布を考慮した動的適応型オブジェクト検出ネットワーク(RDNet)を提案する。 RDNetはグローバルコンテキストモデリングのためにCNNのバックボーンをSwinTransformerに置き換える。 スケールの変動や正確なローカライゼーションに対して堅牢性を実現し、最先端の手法と比較して優れた検出性能を提供する。
  論文  参考訳（メタデータ） (2026-03-12T17:34:29Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• GCA-ResUNet: Medical Image Segmentation Using Grouped Coordinate Attention [3.6679095759171645]
  GCA-ResUNetは、軽量でプラグ&プレイのGrouped Coordinate Attention (GCA)モジュールを備えた効率的な医用画像セグメンテーションフレームワークである。 Synapse と ACDC の2つの広く使われているベンチマークによる大規模な実験では、それぞれ GCA-ResUNet が 86.11% と 92.64% のDice のスコアを達成している。
  論文  参考訳（メタデータ） (2025-12-30T05:13:20Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• Graph-Based Uncertainty Modeling and Multimodal Fusion for Salient Object Detection [12.743278093269325]
  動的不確実性伝播とマルチモーダル協調推論ネットワーク(DUP-MCRNet)を提案する。 DUGCは空間意味距離に基づいて構築されたスパースグラフを通じて層間の不確実性を伝播するように設計されている。 MCFは学習可能なモダリティゲーティングウェイトを使用して、RGB、深さ、エッジの特徴の注意マップを重み付けする。
  論文  参考訳（メタデータ） (2025-08-28T04:31:48Z)
• HieraEdgeNet: A Multi-Scale Edge-Enhanced Framework for Automated Pollen Recognition [10.159338629617919]
  自動花粉認識のためのマルチスケールエッジエンハンスメントフレームワークであるHieraEdgeNetを紹介する。 フレームワークの中核となる革新は3つの相乗的モジュールの導入である。 大規模なデータセットでは、HieraEdgeNetは平均平均精度(mAP@.5)が0.9501に達し、最先端のベースラインモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-06-09T11:03:31Z)
• CENet: Context Enhancement Network for Medical Image Segmentation [3.4690322157094573]
  本稿では,2つの重要なイノベーションを特徴とする新しいセグメンテーションフレームワークであるCENetを提案する。 まず、スキップ接続に統合されたDual Selective Enhancement Block(DSEB)は境界の詳細を高め、コンテキスト対応で小さな臓器の検出を改善する。 第二に、デコーダのContext Feature Attention Module (CFAM)は、空間的整合性を維持し、特徴の冗長性を低減し、過剰に拡張された表現を緩和するために、マルチスケールの設計を採用している。
  論文  参考訳（メタデータ） (2025-05-23T23:22:18Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。