論文の概要: MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2607.00409v1
• Date: Wed, 01 Jul 2026 04:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.711349
• Title: MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation
• Title（参考訳）: MedCAGD:効率的な医用画像分割のためのコンテキスト対応ゲートデコーダ
• Abstract要約: 医用画像セグメント化は、リッチな特徴表現をピクセルレベルの予測に変換するエンコーダデコーダアーキテクチャの機能に依存している。 大規模プレトレーニングおよびトランスフォーマーベースのエンコーダの最近の進歩は、特徴抽出を大幅に改善した。 本稿では,デコードプロセス全体を通して特徴融合と文脈集約を規制するコンテキスト対応ゲートデコーダを提案する。
• 参考スコア（独自算出の注目度）: 5.111086106563699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation relies on the ability of encoder-decoder architectures to translate rich feature representations into accurate pixel-level predictions under challenging conditions such as low contrast, structural ambiguity, and scale variability. While recent advances in large-scale pretraining and transformer-based encoders have substantially improved feature extraction, segmentation accuracy remains constrained by decoder design, particularly in terms of cross-scale alignment, contextual integration, and boundary preservation. In this work, we revisit medical image segmentation from a decoder-centric perspective and propose a context-aware gated decoder that systematically regulates feature fusion and contextual aggregation throughout the decoding process. The proposed decoder integrates lightweight multi-scale channel recalibration, gated skip fusion with spatial competition and a global context aggregation mechanism that injects encoder-wide information into intermediate decoding stages. This design enables effective translation of strong pretrained encoder representations into spatially consistent predictions. Extensive experiments across 11 medical image segmentation benchmarks validate the effectiveness and demonstrate that the proposed approach consistently outperforms strong baselines while remaining computationally practical. Code: https://github.com/saadwazir/MedCAGD
• Abstract（参考訳）: 医用画像のセグメンテーションは、エンコーダ・デコーダアーキテクチャがリッチな特徴表現を低コントラスト、構造的曖昧性、スケール可変性といった困難な条件下で正確なピクセルレベルの予測に変換する能力に依存している。 近年の大規模事前学習やトランスフォーマーベースのエンコーダの進歩により特徴抽出は大幅に改善されているが、セグメンテーションの精度はデコーダ設計、特にクロススケールアライメント、コンテキスト統合、境界保存の観点から制限されている。 本研究では,デコーダ中心の観点から医用画像のセグメンテーションを再検討し,デコーダプロセス全体を通して特徴融合とコンテキスト集約を体系的に制御するコンテキスト対応ゲートデコーダを提案する。 提案するデコーダは、軽量なマルチスケールチャネル再校正、空間競合とのゲートスキップ融合、およびエンコーダ全体の情報を中間復号段階に注入するグローバルコンテキスト集約機構を統合する。 この設計により、強い事前訓練されたエンコーダ表現を空間的に一貫した予測に効果的に変換できる。 11の医用画像セグメンテーションベンチマークによる広範囲な実験により,提案手法は高いベースラインを一貫して上回りながら,計算学的に有効であることを示す。 コード:https://github.com/saadwazir/MedCAGD

関連論文リスト

• Accelerated Decoding of Centroid Positional Encoding for Instance Segmentation [49.97373153077311]
  本稿では,各画素が遠心波の位置埋め込みを行う場合の,遠心波符号化に伴うデコードオーバーヘッドについて検討する。 当社のソリューションは、デコードオーバーヘッドを大幅に削減し、Endto-Endレイテンシを改善し、CPUベースのアプローチと単純なGPU実装の両方を上回ります。
  論文  参考訳（メタデータ） (2026-09-15T09:05:17Z)
• Decoding Matters: Efficient Mamba-Based Decoder with Distribution-Aware Deep Supervision for Medical Image Segmentation [14.622519786493188]
  一般化された2次元医用画像分割のためのデコーダ中心のアプローチを提案する。 提案されたDeco-Mambaは、Transformer-CNN-Mambaの設計によるU-Netのような構造である。 多様な医用画像セグメンテーションベンチマークの実験により、最先端の性能と強力な一般化能力が得られる。
  論文  参考訳（メタデータ） (2026-03-13T01:13:52Z)
• Bridging spatial awareness and global context in medical image segmentation [2.750124853532831]
  セグメント化性能を向上させるために,新しいU字型エンコーダデコーダネットワークであるU-CycleMLPを提案する。 エンコーダは、位置注意重みブロック、高密度アトラスブロック、ダウンサンプリング演算を用いて、マルチスケールのコンテキスト特徴を学習する。 デコーダは、アップサンプリング操作、高密度アトラスブロック、特徴融合機構を通じて高分解能セグメンテーションマスクを再構成する。
  論文  参考訳（メタデータ） (2025-12-06T20:25:24Z)
• Semi-supervised Semantic Segmentation with Multi-Constraint Consistency Learning [81.02648336552421]
  本稿では,エンコーダとデコーダの段階的拡張を容易にするためのマルチ制約一貫性学習手法を提案する。 自己適応型特徴マスキングとノイズ注入は、デコーダの堅牢な学習のための特徴を摂動させるために、インスタンス固有の方法で設計されている。 Pascal VOC2012およびCityscapesデータセットの実験結果から,提案したMCCLが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-23T03:21:33Z)
• Dilated-UNet: A Fast and Accurate Medical Image Segmentation Approach using a Dilated Transformer and U-Net Architecture [0.6445605125467572]
  本稿では,Dilated-UNetについて紹介する。Dilated-UNetはDilated TransformerブロックとU-Netアーキテクチャを組み合わせることで,高精度かつ高速な医用画像セグメンテーションを実現する。 実験の結果,Dilated-UNetはいくつかの挑戦的な医用画像セグメンテーションデータセットにおいて,他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-22T17:20:13Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• Dynamic Neural Representational Decoders for High-Resolution Semantic Segmentation [98.05643473345474]
  動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。 エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。 このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
  論文  参考訳（メタデータ） (2021-07-30T04:50:56Z)
• Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
  Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。 トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2021-05-12T09:30:26Z)
• Atrous Residual Interconnected Encoder to Attention Decoder Framework for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
  本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。 提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。 実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
  論文  参考訳（メタデータ） (2021-04-08T12:09:16Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
  セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。 具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。 トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
  論文  参考訳（メタデータ） (2020-12-31T18:55:57Z)

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。