論文の概要: EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI

• arxiv url: http://arxiv.org/abs/2607.03568v1
• Date: Fri, 03 Jul 2026 19:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.650125
• Title: EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI
• Title（参考訳）: EPRA U-Net : 拡散強調MRIにおける正確な梗塞分割のための効率的なピラミッド残差注意フレームワーク
• Abstract要約: EPRA U-NetはDWI画像の効率的かつ正確な梗塞分割のためのタスク固有統合アーキテクチャである。 EPRA U-Netは最先端のモデルに比べて優れた性能を得た。
• 参考スコア（独自算出の注目度）: 18.07144782374738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Accurate identification of acute ischemic infarcts on diffusion-weighted magnetic resonance imaging (DWI) is a critical prerequisite for reliable lesion quantification and effective clinical decision support in the management of cerebrovascular events. Methods: This study presents EPRA U-Net (Efficient Pyramid Residual Attention U-Net), a task-specific integrated architecture for efficient and accurate infarct segmentation of DWI images. In the proposed architecture, an EfficientNet-based encoder was used as a hierarchical feature extractor with a minimized parameterization. In addition, a Residual-Recurrent (R2) block (recurrent unrolling step t = 2, following the original formulation) and Atrous Spatial Pyramid Pooling (ASPP) were integrated to enhance the performance of spatial dependency modeling. Additionally, a dual attention mechanism was incorporated to highlight lesion-related activations while concurrently enabling the suppression of extraneous background responses. To prioritize lesion detection consistent with clinical imperative, a Tversky loss function was adopted, emphasizing the sensitivity of detection over its specificity during the optimization process. Results: Experimental evaluations were conducted utilizing an in-house dataset comprising 167 patients with 4,895 DWI slices; subsequently, the performance of the proposed EPRA U-Net was assessed in comparison with state-of-the-art models, specifically UNet++, DeepLabV3+, and TransUNet. The experimental results suggest that EPRA U-Net attained superior performance, evidenced by a pixel-aggregated Dice of 0.8984, a per-sample Dice of 0.9469, an IoU of 0.8155, a Recall of 0.8887, a Lesion F1 of 0.9378, and an HD95 of 11.62 px. Furthermore, a clear reduction in the rate of missed lesions, specifically by 16%, 25%, and 29%, was observed when compared with UNet++, DeepLabV3+, and TransUNet, respectively.
• Abstract（参考訳）: 目的:拡散強調核磁気共鳴画像(DWI)における急性虚血性梗塞の正確な同定は、脳血管イベント管理における信頼性病変の定量化と効果的な臨床診断支援の必須条件である。 方法:本研究は,DWI画像の効率的かつ正確な梗塞分割のためのタスク特異的統合アーキテクチャEPRA U-Net(Efficient Pyramid Residual Attention U-Net)を提案する。 提案アーキテクチャでは,パラメータ化を最小化した階層型特徴抽出器として,EfficientNetベースのエンコーダを用いた。 さらに,空間依存モデルの性能を高めるため,Residual-Recurrent(R2)ブロック(Recurrent Unrolling Step t = 2)とAtrous Spatial Pyramid Pooling(ASPP)を統合した。 さらに、病変関連アクティベーションを強調するために二重注意機構が組み込まれ、同時に外因性背景反応の抑制が可能となった。 臨床適応と整合した病変検出を優先するために,Tversky損失関数が採用され,最適化過程においてその特異性に対する検出の感度が強調された。 結果:4,895個のDWIスライスを有する167例の社内データセットを用いて実験を行い, EPRA U-Netの有効性を, UNet++, DeepLabV3+, TransUNetなどの最先端モデルと比較した。 実験の結果、EPRA U-Netは、ピクセル集約Diceが0.8984、サンプル単位Diceが0.9469、IoUが0.8155、リコールが0.8887、Lesion F1が0.9378、HD95が11.62pxであったことが証明された。 さらに, UNet++, DeepLabV3+, TransUNetと比較すると, 特に16%, 25%, 29%の欠損病変率の明確な減少が認められた。

関連論文リスト

• Spectral Features Dominate BCG Respiratory-Event Detection: A Large-Scale Patient-Independent Comparison of Feature Groups in Sleep Apnea Patients [33.60217549899358]
  バリスト心電図(BCG)は長期睡眠時無呼吸モニタリングにおいて有望なモダリティである。 呼吸異常の検出においてどの信号の特徴が最も識別されているかは、まだ不明である。 BCG特徴群10群を文献的,患者非依存的に比較検討した。
  論文  参考訳（メタデータ） (2026-08-28T11:56:12Z)
• Shape Over Intensity: Directional Topological Encoding for False Positive Reduction in Intracranial Aneurysm Detection [0.0]
  CTアンギオグラフィーによる頭蓋内動脈瘤(IAs)の自動検出は,偽陽性率が高いことによる重篤な障害である。 SECT(Smooth Euler Characteristics Transform)を評価するプラグイン・アンド・プレイ・トポロジ対応の偽陽性削減フレームワークを提案する。 SECTは、方向認識法(AUC 0.68)よりもかなり優れた0.943のAUCを達成し、臨床成績の逆転を示す。
  論文  参考訳（メタデータ） (2026-07-06T16:56:17Z)
• Three-Dimensional Retinal Microvasculature Restoration in OCT Angiography [4.442929593591647]
  本稿では,1つのOCTAボリュームから解剖学的血管を復元する深層学習アルゴリズムを提案する。 提案モデルでは,元のOCTAボリュームに比べて画質が大幅に向上した。
  論文  参考訳（メタデータ） (2026-06-03T19:23:09Z)
• Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning [5.1712742264130815]
  超解像MRIはスキャン後の解像度を高めることができるが、深層学習法はトレードオフに直面している。 本稿では,マルチヘッド選択状態空間モデルと軽量チャネルを組み合わせた新しいフレームワークを提案する。 モデルは例外的な効率で優れた性能を実現した。
  論文  参考訳（メタデータ） (2025-12-22T18:53:13Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models [33.7054351451505]
  肝胆道相(HBP)画像の初期コントラスト位相からの深層学習に基づく合成手法を提案する。 pGANの定量的評価は, 視力評価とブラインドドラジオロジカル・レビューの併用により, pGANが最高の定量的性能を示した。 対照的に、U-Netは、より少ないアーティファクトで一貫した肝拡張を発生させ、DDPMは、微細構造の詳細の保存が限られているため、性能が低下した。
  論文  参考訳（メタデータ） (2025-04-25T15:01:09Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• TW-BAG: Tensor-wise Brain-aware Gate Network for Inpainting Disrupted Diffusion Tensor Imaging [32.02624872108258]
  本稿では,DTIスライスを塗布する3D-Wise-Aware Gate Network (TW-BAG)を提案する。 提案手法をHuman Connectome Project (HCP) データセット上で評価した。 実験の結果,提案手法は脳のDTI容積を再構築し,関連性のある臨床画像情報を復元できることが示唆された。
  論文  参考訳（メタデータ） (2022-10-31T05:53:02Z)

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。