論文の概要: HistoSeg++: Delving deeper with attention and multiscale feature fusion for biomarker segmentation

• arxiv url: http://arxiv.org/abs/2607.01675v1
• Date: Thu, 02 Jul 2026 04:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.65659
• Title: HistoSeg++: Delving deeper with attention and multiscale feature fusion for biomarker segmentation
• Title（参考訳）: HistoSeg++: バイオマーカーセグメンテーションのための注意とマルチスケール機能融合を深く掘り下げる
• Abstract要約: マルチスケールコンテキスト情報を効果的にキャプチャする新しいNested-UNetアーキテクチャを提案する。 インナー・アテンション・ユニットとアウター・アテンション・ユニットが含まれており、アップサンプリング中の焦点を拡大し、チャンネルワイド・フィーチャー・リカレーションも行う。 提案手法は,既存のNested-UNet法よりも優れた一般化性能を示す。
• 参考スコア（独自算出の注目度）: 5.129974050311353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of biomarkers in medical images is frequently viewed as a first step towards medical image analysis in any bioinformatics or biomedical application. Despite progress, existing methods still struggle to capture information at multiple scales and to perform upsampling effectively across different datasets. These shortcomings often result in suboptimal generalization capabilities. Recently, architectures belonging to the Nested-UNet family excel in capturing multiscale contextual information and upsample them effectively. In this work, We propose a novel Nested-UNet architecture that effectively captures multi-scale contextual information. It includes inner and outer attention units to enhance focus during upsampling, along with channel-wise feature recalibration using squeeze-and-excitation modules, leading to improved segmentation performance. Additionally, the architecture integrates an edge-aware loss to emphasize boundary accuracy by assigning greater importance to edge regions. Tested extensively on three publicly available benchmark datasets. Our method demonstrates a generalization performance superior to existing Nested-UNet methods. Code: https://github.com/saadwazir/histosegplusplus
• Abstract（参考訳）: 医用画像におけるバイオマーカーのセグメンテーションは、バイオインフォマティクスやバイオメディカル応用における医用画像解析への第一歩と見なされることが多い。 進歩にもかかわらず、既存の方法は、複数のスケールで情報をキャプチャし、異なるデータセットを効果的にアップサンプリングするのに依然として苦労している。 これらの欠点は、しばしば準最適一般化能力をもたらす。 最近、Nested-UNetファミリーに属するアーキテクチャは、マルチスケールのコンテキスト情報をキャプチャし、それらを効果的にアップサンプリングすることに長けている。 本研究では,マルチスケールのコンテキスト情報を効果的にキャプチャする新しいNested-UNetアーキテクチャを提案する。 内部および外部の注意ユニットが含まれており、アップサンプリング中の焦点を強化するとともに、シャープ・アンド・エキサイクレーション・モジュールを用いたチャンネルワイズ・フィーチャー・リカレーションを行い、セグメンテーション性能が向上した。 さらに、エッジ領域により大きな重要性を割り当てることによって境界精度を強調するために、エッジ対応の損失を統合する。 3つの公開ベンチマークデータセットで広範囲にテストされた。 提案手法は,既存のNested-UNet法よりも優れた一般化性能を示す。 コード:https://github.com/saadwazir/histosegplusplus

関連論文リスト

• ImPartial: Multi-channel Whole-Cell Segmentation using Partial Annotations [1.4781921087738967]
  ImPartialは、低アノテーション方式で最先端のセグメンテーション性能を実現するために設計されたフレームワークである。 ImPartialは、自己教師型マルチチャネル量子化計算によってセグメンテーションの目的を拡大する。 我々は、ImPartialが完全に教師されたモデルと同等に機能し、アノテーションをかなり少なくすることを示した。
  論文  参考訳（メタデータ） (2026-05-22T18:42:46Z)
• MambaCAFU: Hybrid Multi-Scale and Multi-Attention Model with Mamba-Based Fusion for Medical Image Segmentation [11.967890140626716]
  本稿では,CNN,トランスフォーマー,およびMambaベースのアテンションフュージョン機構を統合した3分岐エンコーダを特徴とするハイブリッドセグメンテーションアーキテクチャを提案する。 マルチスケールアテンションベースのCNNデコーダは、コンテキスト整合性を維持しつつ、きめ細かいセグメンテーションマップを再構成する。 本手法は,計算量に匹敵する複雑性を維持しつつ,精度と一般化において最先端の手法より優れる。
  論文  参考訳（メタデータ） (2025-10-04T11:25:10Z)
• Rethinking the Nested U-Net Approach: Enhancing Biomarker Segmentation with Attention Mechanisms and Multiscale Feature Fusion [2.0799865428691393]
  マルチスケール・フィーチャー・フュージョンとアテンション・メカニズムを通じて、ローカルとグローバルの両方のコンテキストをキャプチャするネストされたUNetアーキテクチャを導入する。 この設計では、エンコーダからの機能統合を改善し、キーチャネルとリージョンを強調し、空間の詳細を復元してセグメンテーション性能を向上させる。
  論文  参考訳（メタデータ） (2025-04-08T15:53:46Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• MGFI-Net: A Multi-Grained Feature Integration Network for Enhanced Medical Image Segmentation [0.3108011671896571]
  医用画像のセグメンテーションにおける大きな課題は、ノイズ、低コントラスト、複雑な解剖学的構造の存在に対する関心領域の正確な記述を実現することである。 既存のセグメンテーションモデルは、多粒度情報の統合を無視し、エッジの詳細を保存できないことが多い。 我々は,Multi-Grained Feature Integration Network (MGFI-Net)と呼ばれる新しい画像セマンティックセマンティクスモデルを提案する。 私たちのMGFI-Netは、これらの問題に対処するための2つの専用のモジュールで設計されています。
  論文  参考訳（メタデータ） (2025-02-19T15:24:34Z)
• iSeg: An Iterative Refinement-based Framework for Training-free Segmentation [85.58324416386375]
  本稿では,自己注意マップを用いた横断注意マップの繰り返し精錬に関する実験的検討を行った。 トレーニング不要セグメンテーションのための効果的な反復改良フレームワークiSegを提案する。 提案したiSegは,mIoUの3.8%の絶対ゲインを達成している。
  論文  参考訳（メタデータ） (2024-09-05T03:07:26Z)
• Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
  単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。 本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。 文献における既存手法に対して,本手法は良好な性能を発揮する。
  論文  参考訳（メタデータ） (2024-04-01T17:48:15Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Exploring Weakly Supervised Semantic Segmentation Ensembles for Medical Imaging Systems [11.693197342734152]
  画像中の医療条件の信頼性の高い分類と検出のための枠組みを提案する。 我々のフレームワークは、まず低しきい値CAMを用いてターゲットオブジェクトを高い確実性でカバーする。 我々は,BRATSでは最大8%,DECATHLONデータセットでは6%の改善ダイススコアを実証した。
  論文  参考訳（メタデータ） (2023-03-14T13:31:05Z)
• CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
  医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。 各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-23T01:09:06Z)
• SATS: Self-Attention Transfer for Continual Semantic Segmentation [50.51525791240729]
  連続的なセマンティックセグメンテーションは、連続的な分類学習と同じ破滅的な忘れの問題に悩まされる。 本研究では,各画像内の要素間の関係について,知識に関連する新しいタイプの情報伝達を提案する。 関係情報は、トランスフォーマースタイルのセグメンテーションモデルにおける自己アテンションマップから有効に得ることができる。
  論文  参考訳（メタデータ） (2022-03-15T06:09:28Z)
• Co-Generation and Segmentation for Generalized Surgical Instrument Segmentation on Unlabelled Data [49.419268399590045]
  正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。 深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。 本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
  論文  参考訳（メタデータ） (2021-03-16T18:41:18Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)

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。