論文の概要: DualMiT-Net: Local-Global Transformer-Convolutional Fusion for Breast Mass Segmentation in Mammographic Regions of Interest

• arxiv url: http://arxiv.org/abs/2608.15019v1
• Date: Sat, 15 Aug 2026 04:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.163692
• Title: DualMiT-Net: Local-Global Transformer-Convolutional Fusion for Breast Mass Segmentation in Mammographic Regions of Interest
• Title（参考訳）: DualMiT-Net: 興味のあるマンモグラフィ領域における乳房腫瘤分画に対する局所-Global Transformer-Convolutional Fusion
• Abstract要約: 両枝ネットワークであるDualMiT-Netについて述べる。 以上の結果より, 局所的なマス情報とより広い乳房コンテキストを組み合わせることで, 正確な乳房マスセグメンテーションと一貫した乳房マスセグメンテーションが実現可能であることが示された。
• 参考スコア（独自算出の注目度）: 6.811242548463414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast mass segmentation is an important step in computer-aided mammography, but it remains difficult because masses can have low contrast, irregular shapes, and boundaries that blend with surrounding breast tissue. To address this problem, we present DualMiT-Net, a dual-branch network that uses both a focused view of the mass and a wider view of the surrounding tissue. The local branch uses a Mix Transformer (MiT-B5) encoder to learn mass shape, texture, and boundary information, while the global branch uses an EfficientNet-B5 encoder to learn surrounding breast context. Features from the two branches are shared at the deeper encoder levels and are then progressively fused in a single decoder. A spatial gate controls how much global information is added during decoding. We also evaluated four input representations and selected a percentile-windowed mammogram combined with a Gabor texture response. The model was trained and evaluated on the mass subset of the Curated Breast Imaging Subset of the Digital Database for Screening Mammography (CBIS-DDSM) using a patient-level split. Across three training runs, DualMiT-Net with exponential moving average weights achieved a mean Dice coefficient of 0.9375 and a mean Intersection over Union of 0.8834. It also achieved better Dice and IoU scores than six standard encoder-decoder baselines trained using the same data and training settings. These results show that combining local mass information with wider breast context can provide accurate and consistent breast mass segmentation.
• Abstract（参考訳）: 乳房マスセグメンテーションは, コンピュータ支援マンモグラフィーにおいて重要なステップであるが, 低コントラスト, 不規則な形状, 周囲の乳房組織と混在する境界を有するため, 依然として困難である。 この問題に対処するためにDualMiT-Netを提案する。DualMiT-Netは、質量の集中的な視界と周囲の組織のより広い視界の両方を利用するデュアルブランチネットワークである。 ローカルブランチはMix Transformer (MiT-B5)エンコーダを使用してマス形状、テクスチャ、境界情報を学習し、グローバルブランチはEfficientNet-B5エンコーダを使用して乳房周囲のコンテキストを学習する。 2つのブランチの機能は、より深いエンコーダレベルで共有され、1つのデコーダで徐々に融合される。 空間ゲートは、デコード中にグローバル情報がどれだけ追加されるかを制御する。 また,入力表現を4つ評価し,ガボルテクスチャ応答を併用したパーセンタイルウィンドウマンモグラフィーを選択した。 The Curated Breast Imaging Subset of the Digital Database for Screening Mammography (CBIS-DDSM) using a patient-level split。 3回のトレーニングで、指数移動平均重量を持つDualMiT-Netは平均Dice係数0.9375、平均インターセクション0.8834を達成した。 また、同じデータとトレーニング設定を使用してトレーニングされた6つの標準エンコーダデコーダベースラインよりも、DiceとIoUスコアが向上した。 これらの結果は,局所的なマス情報とより広い乳房コンテキストを組み合わせることで,正確な乳房マスセグメンテーションと一貫した乳房マスセグメンテーションが得られることを示している。

関連論文リスト

• PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
  トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。 PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。 また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
  論文  参考訳（メタデータ） (2025-12-02T08:31:31Z)
• Mammo-Clustering: A Multi-views Tri-level Information Fusion Context Clustering Framework for Localization and Classification in Mammography [13.581151516877238]
  マンモグラフィー画像は通常、非常に高解像度で、病変はごく小さな領域のみを占める。 ニューラルネットワークのダウンサンプリングは、マイクロ石灰化や微妙な構造が失われることを容易に引き起こす。 本稿では,三重情報融合を用いたコンテキストクラスタリングネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-23T10:17:13Z)
• Bringing Masked Autoencoders Explicit Contrastive Properties for Point Cloud Self-Supervised Learning [116.75939193785143]
  画像領域における視覚変換器(ViT)のコントラスト学習(CL)は、従来の畳み込みバックボーンのCLに匹敵する性能を達成した。 ViTで事前訓練した3Dポイントクラウドでは、マスク付きオートエンコーダ(MAE)モデリングが主流である。
  論文  参考訳（メタデータ） (2024-07-08T12:28:56Z)
• BEFUnet: A Hybrid CNN-Transformer Architecture for Precise Medical Image Segmentation [0.0]
  本稿では,医療画像の正確な分割のために,身体情報とエッジ情報の融合を強化するBEFUnetという,革新的なU字型ネットワークを提案する。 BEFUnetは、新しいローカル・クロス・アテンション・フィーチャー(LCAF)融合モジュール、新しいダブル・レベル・フュージョン(DLF)モジュール、デュアルブランチ・エンコーダの3つの主要モジュールから構成されている。 LCAFモジュールは、2つのモダリティの間に空間的に近接する特徴に対して、局所的な相互注意を選択的に行うことにより、エッジとボディの特徴を効率よく融合させる。
  論文  参考訳（メタデータ） (2024-02-13T21:03:36Z)
• 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)
• GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds [72.60362979456035]
  Masked Autoencoders (MAE)は、大規模な3Dポイントクラウドでの探索が難しい。 我々は,周囲のコンテキストを自動的にマージするためのtextbfGenerative textbfDecoder for MAE (GD-MAE)を提案する。 提案手法の有効性を, KITTI と ONCE の2つの大規模ベンチマークで実証した。
  論文  参考訳（メタデータ） (2022-12-06T14:32:55Z)
• SWIN-SFTNet : Spatial Feature Expansion and Aggregation using Swin Transformer For Whole Breast micro-mass segmentation [0.5812284760539712]
  乳房マンモグラフィーを用いたマイクロマスセグメンテーションにおける最先端アーキテクチャよりも優れた,U-net型トランスフォーマーベースのアーキテクチャであるSwin-SFTNetを提案する。 InBreastではCBIS-DDSMで3.10%、InBreastでは3.81%、InBreastテストデータセットではCBIS事前学習モデルで3.13%、最先端技術よりも高いセグメンテーションダイスを実現している。
  論文  参考訳（メタデータ） (2022-11-16T07:17:27Z)
• Transformers Improve Breast Cancer Diagnosis from Unregistered Multi-View Mammograms [6.084894198369222]
  我々はマルチビュー・ビジョン・トランスフォーマーのアーキテクチャを活用し、同一患者から複数のマンモグラフィーの長距離関係を1回の検査で捉えた。 我々の4画像(2面2面)トランスフォーマーモデルでは、ROC曲線下(AUC = 0.818)でのケース分類が可能である。 また、AUCは0.724(CCビュー)と0.769(MLOビュー)の2つの片面2面モデルより優れている。
  論文  参考訳（メタデータ） (2022-06-21T03:54:21Z)
• Multimodal Masked Autoencoders Learn Transferable Representations [127.35955819874063]
  単純でスケーラブルなネットワークアーキテクチャであるM3AE(Multimodal Masked Autoencoder)を提案する。 M3AEは、マスク付きトークン予測により、視覚と言語データの両方の統一エンコーダを学習する。 我々は,大規模な画像テキストデータセット上で訓練されたM3AEについて実証的研究を行い,M3AEが下流タスクによく伝達される一般化可能な表現を学習できることを見出した。
  論文  参考訳（メタデータ） (2022-05-27T19:09:42Z)
• Mass Segmentation in Automated 3-D Breast Ultrasound Using Dual-Path U-net [3.2088392364689122]
  3次元乳房検診(ABUS)は,乳がん検診におけるマンモグラフィーの補助効果として提案されている新しい乳房検診システムである。 ABUSは高密度の乳房ではパフォーマンスが向上する一方、ABUS画像の読影は枯渇し、時間を要する。 これらの画像の解釈にはコンピュータ支援検出システムが必要である。 マスセグメンテーションはコンピュータ支援検出システムにおいて重要な役割を担い、全体的な性能に影響を与える。
  論文  参考訳（メタデータ） (2021-09-17T02:52:37Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• FFB6D: A Full Flow Bidirectional Fusion Network for 6D Pose Estimation [54.666329929930455]
  単一RGBD画像からの6次元ポーズ推定のための双方向融合ネットワークであるFFB6Dを提案する。 表現学習と出力表現選択のための表現情報と幾何学情報を組み合わせることを学ぶ。 提案手法は,いくつかのベンチマークにおいて,最先端の手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-03-03T08:07:29Z)

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。