論文の概要: M-Net: Integrating Spectral Features and Physical Field Operators into Deep Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.12196v1
• Date: Wed, 12 Aug 2026 15:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.631009
• Title: M-Net: Integrating Spectral Features and Physical Field Operators into Deep Learning for Medical Image Segmentation
• Title（参考訳）: M-Net:医用画像分割のための深層学習におけるスペクトル特徴と物理場演算子の統合
• Abstract要約: 深層学習に基づく医用画像のセグメンテーションは目覚ましい成功を収めているが、純粋にデータ駆動のアプローチでは、医用画像に固有のリッチな数学的構造を利用することができないことが多い。 本研究では,行列スペクトル解析やベクトル計算演算子といった数学的帰納バイアスが,データ駆動学習以外にもセグメンテーションを高めることができるかどうかを考察する。 3つの相補的な数学的前提をU-Netに統合したM-Netを提案する。
• 参考スコア（独自算出の注目度）: 4.868939298762187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Deep learning-based medical image segmentation has achieved remarkable success, yet purely data-driven approaches often fail to exploit the rich mathematical structure inherent in medical images. We investigate whether explicit mathematical inductive biases, specifically matrix spectral analysis and vector calculus operators, can enhance segmentation beyond data-driven learning alone. Methods: We propose M-Net (Math-Augmented Network), which integrates three complementary mathematical priors into U-Net: (1) continuous spectral features derived from the condition number of centered local pixel matrices, providing a differentiable measure of texture ill-conditioning; (2) physical field operators (divergence and a discrete curl-like boundary irregularity operator) computed from image gradient fields, capturing focal intensity extrema and edge non-smoothness; and (3) a Math-Attention Gate (MAG) that adaptively fuses mathematical features with CNN-extracted deep features at skip connections. Results: Experiments on three benchmarks (LiTS, KiTS, and BraTS) show that M-Net achieves Dice scores of 78.42%, 76.15%, and 83.67%, outperforming baseline U-Net by 12.37%, 3.52%, and 5.55% on liver, kidney, and brain tumor segmentation, respectively. Ablations reveal that the condition-number feature contributes a 2.14% gain over binary invertibility features, while MAG adds 1.45% over simple concatenation. Conclusion: M-Net establishes that mathematical inductive biases provide effective complementary information for medical image segmentation. The continuous condition-number feature offers superior gradient information over discrete alternatives, and MAG preserves these priors throughout the network. This work opens avenues for integrating linear algebra and vector calculus into deep architectures for medical imaging.
• Abstract（参考訳）: 目的: 深層学習に基づく医用画像セグメンテーションは目覚ましい成功を収めているが, 純粋にデータ駆動型アプローチでは, 医用画像に固有のリッチな数学的構造を利用することができないことが多い。 本研究では,行列スペクトル解析やベクトル計算演算子といった数学的帰納バイアスが,データ駆動学習以外にもセグメンテーションを高めることができるかどうかを考察する。 方法: 1) 中心となる局所画素行列の条件数から導かれる連続スペクトル特徴をテクスチャ条件の微分可能な尺度として用い, 2) 画像勾配場から計算した物理場演算子(発散性およびカール状境界不規則性演算子) 、焦点強度の極端とエッジの非滑らかさを捉え, (3) CNNで抽出した深い特徴と適応的に融合するMath-Attention Gate (MAG) を提案する。 結果: 3つのベンチマーク(LiTS, KiTS, BraTS)では、M-NetがDiceスコア78.42%、76.15%、83.67%を達成し、ベースラインのU-Netを12.37%、3.52%、肝臓、腎臓、脳腫瘍のセグメンテーションで5.55%上回った。 アブレーションにより、条件数が2.14%増加し、MAGは単純な連結よりも1.45%増加したことが判明した。 結論: M-Netは、数学的帰納バイアスが医療画像のセグメンテーションに有効な補完情報を提供することを証明している。 連続条件数の特徴は、離散的な代替よりも優れた勾配情報を提供し、MAGはネットワーク全体にわたってこれらの先行情報を保存している。 この研究は、線形代数とベクトル計算を医療画像のための深いアーキテクチャに統合するための道を開く。

関連論文リスト

• Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures [2.3332469289621787]
  本研究は、最先端のトレーニング済みバックボーンと組み合わせた現代セグメンテーションフレームワークを評価することを目的とする。 Unet、PSPNet、Linknet、FPNの4つの異なるディープラーニングアーキテクチャを6つの事前学習エンコーダに統合する。 画像セグメンテーションの文脈では,2値実験と多値実験の両方を対象とする。
  論文  参考訳（メタデータ） (2026-05-19T20:13:02Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation [10.11072886547561]
  半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。 我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-27T04:14:50Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)

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。