Fugu-MT 論文翻訳(概要): RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation

論文の概要: RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2607.05035v1
Date: Mon, 06 Jul 2026 13:16:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.159174
Title: RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation
Title（参考訳）: RUFNet:Few-Shot Brain tumor Segmentationのためのハイブリッドマンバを用いた問合せ型サポートマスクリファインメントと不確かさ融合
Authors: Dongyi He, Xiangkai Wang, Binbing Xu, Bin Jiang, Hongjie Yan, Weixiang Liu, Wai Ting Siok, Nizhuan Wang,
Abstract要約: RUFNetはHybrid Mambaベースのマルチショットフレームワークで、サポートマスクの改良と不確実性を認識した後部核融合を組み合わせたものである。 Brain tumor Challenge (BraTS) データセットでは、RUFNet は 1-way 1-shot と 1-way 5-shot でそれぞれ 84.3% と 86.1% のDice係数を達成している。
参考スコア（独自算出の注目度）: 3.8391338136676807
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Few-shot brain tumor segmentation remains challenging due to noisy support masks, inter-patient variations between support and query images, and the lack of pixel-wise confidence estimation. This study proposes RUFNet, a Hybrid Mamba-based few-shot framework that combines support mask refinement with uncertainty-aware posterior fusion. To preserve support-query dependencies with manageable cost, RUFNet adopts a Hybrid Mamba interaction backbone with linear complexity. To reduce support-mask noise, an Attention-Guided Mask Refinement module (AGMR) uses query features to recalibrate support masks and improve prototype consistency. To handle ambiguous predictions, an Uncertainty-Aware Posterior Fusion module (UAPF) estimates pixel-wise variance and adaptively balances few-shot predictions with query-aligned priors. On the Brain Tumor Segmentation Challenge (BraTS) 2020 dataset, RUFNet achieves Dice coefficients of 84.3% and 86.1% in the 1-way 1-shot and 1-way 5-shot settings, respectively, outperforming the compared state-of-the-art methods. These results suggest that Hybrid Mamba interaction, mask refinement and uncertainty modelling can improve the robustness of few-shot medical image segmentation. The official implementation code is available at https://github.com/hdy6438/RUFNet.
Abstract（参考訳）: ノイズの多いサポートマスク,サポート画像とクエリ画像の患者間差異,画素単位の信頼度推定の欠如など,脳腫瘍の断片化はいまだに困難である。本研究は,サポートマスクの改良と不確実性を考慮した後部核融合を組み合わせたハイブリッドマンバ型マイクロショットフレームワークRUFNetを提案する。サポートクエリの依存関係を管理可能なコストで保持するために,RUFNetでは,線形複雑性を備えたハイブリッドマンバインタラクションバックボーンを採用している。サポートマスクノイズを低減するため、Attention-Guided Mask Refinementモジュール(AGMR)は、クエリ機能を使用してサポートマスクを再調整し、プロトタイプの一貫性を改善する。曖昧な予測に対処するため、不確実性認識ポストリアフュージョンモジュール(UAPF)はピクセル単位でのばらつきを推定し、クエリ整列前の数ショット予測と適応的にバランスをとる。 Brain tumor Segmentation Challenge (BraTS) 2020データセットでは、1-way 1-shotと1-way 5-shot設定でそれぞれ84.3%と86.1%のDice係数を達成した。これらの結果は, ハイブリッドマンバ相互作用, マスクリファインメント, 不確実性モデリングが, 数発の医用画像セグメンテーションの堅牢性を向上させることを示唆している。公式実装コードはhttps://github.com/hdy6438/RUFNetで公開されている。

関連論文リスト

MLFFM-SegDiff: A Multi-Level Feature Fusion Diffusion Model for Skin Lesion Segmentation [3.7137784361333885]
MLFFM-SegDiffは皮膚病変分割のための多層拡散拡散モデルである。拡散フレームワーク上に構築され、デュアルパスU-Netエンコーダ、MLFFM(Multi-Level Feature Fusion Module)、境界感度損失関数を導入している。 MLFFMは、注意、スケールアライメント、適応的なクロスレベル融合によるスキップ接続を改善している。
論文参考訳（メタデータ） (2026-06-25T07:45:28Z)
Cross-Stage Attention Multi-Expert Network for Radiologist-Inspired Breast Ultrasound Diagnosis [6.727825549527392]
本稿では,CSA-MoE-Net(Cross-Stage Attention-of-Experts Network)を提案する。 Cross-Stage Attention-enhanced ResNet-18をバックボーンとして採用し、Cross-Stage Attentionモジュールがマルチレベル機能を適応的に再調整する。 2,129枚の胸部超音波画像のバランスの取れたデータセットの実験では、平均20回の独立ランで96.33%の精度、94.09%の精度、98.53%のリコール、96.25%のF1スコアを達成した。
論文参考訳（メタデータ） (2026-05-25T07:20:13Z)
Spatial-Frequency Enhanced Mamba for Multi-Modal Image Fusion [64.5037956060757]
MMIF (Multi-Modal Image Fusion) は、様々なモダリティから補完的な画像情報を統合することを目的としている。本研究では,MMIFのための空間周波数拡張マンバ融合(SFMFusion)という新しいフレームワークを提案する。提案手法は,6つのMMIFデータセット上での最先端手法よりも優れた結果が得られる。
論文参考訳（メタデータ） (2025-11-10T00:44:49Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文参考訳（メタデータ） (2025-09-19T17:29:25Z)
Adaptive Gate-Aware Mamba Networks for Magnetic Resonance Fingerprinting [8.673589204148115]
MRF(MR Resonance Fingerprinting)は、信号の進化を予め定義された辞書に合わせることで高速な定量的イメージングを可能にする。最近の研究は、DMに代わるディープラーニングベースのアプローチを探求している。両MambaベースのエンコーダとGAST(Gate-Aware Spatial-Temporal)プロセッサを組み合わせたエンドツーエンドフレームワークであるGAST-Mambaを提案する。
論文参考訳（メタデータ） (2025-07-04T08:04:01Z)
Noise-Consistent Siamese-Diffusion for Medical Image Synthesis and Segmentation [9.795456238314825]
本稿では,Mask-Diffusion と Image-Diffusion を組み合わせた新しい2成分モデルであるSiamese-Diffusionを紹介する。トレーニング中、これらのコンポーネント間でノイズ一貫性損失を導入し、マスク拡散の形態的忠実度を高める。
論文参考訳（メタデータ） (2025-05-09T14:07:27Z)
Soft Masked Mamba Diffusion Model for CT to MRI Conversion [7.973480052235655]
磁気共鳴イメージング (MRI) とCT (CT) は, 医用画像の分野で主に用いられている。本研究では,一般的に使用されているU-NetあるいはTransformerのバックボーンを,潜時パッチで動作するMambaと呼ばれる状態空間モデル(SSM)に置き換え,CTからMRIへの遅延拡散モデルを訓練することを目的とする。
論文参考訳（メタデータ） (2024-06-22T18:06:50Z)
Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2023-08-20T16:27:17Z)
PyMAF-X: Towards Well-aligned Full-body Model Regression from Monocular Images [60.33197938330409]
PyMAF-Xは、モノクロ画像からパラメトリックフルボディモデルを復元するための回帰ベースのアプローチである。 PyMAFとPyMAF-Xは、メッシュイメージアライメントを効果的に改善し、新しい最先端の結果を達成する。
論文参考訳（メタデータ） (2022-07-13T17:58:33Z)

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。