論文の概要: CiUNet: A Hybrid Swin-CNN UNet for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2608.22281v1
- Date: Sun, 23 Aug 2026 08:19:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.695466
- Title: CiUNet: A Hybrid Swin-CNN UNet for Medical Image Segmentation
- Title（参考訳）: CiUNet: 医用画像セグメンテーションのためのハイブリッドSwin-CNN UNet
- Authors: Bin Dong, Jinghong Chen,
- Abstract要約: 本稿では,Swin-UNetフレームワーク上に構築された軽量ハイブリッドアーキテクチャを提案する。
我々のモデルは,Swin Transformerの浅層推論と局所的なテクスチャ特徴を補完する並列CNNエンコーダを統合している。
我々のアプローチは最先端のDiceスコアとHausdorff距離を達成し、臨床展開のための正確で効率的で解釈可能なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 6.540920253738164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation requires high accuracy and robustness, yet practical commercial deployment also demands privacy preservation and computational efficiency. In this context, the U-Net architecture, which can be inherently decoupled into independent encoder and decoder components, serves as a natural commercial choice. However, pure Transformer-based variants like Swin-UNet often suffer from insufficient local detail capture and limited interpretability. In this paper, we propose a lightweight hybrid architecture built upon the Swin-UNet framework. Our model integrates a parallel CNN encoder to complement the shallow layer reasoning of Swin Transformers with local texture features. To bridge the semantic gap and enhance fine-grained spatial detail recovery, we design an asymmetric feature fusion strategy and introduce cross-layer skip (XSkip) connections that explicitly propagate shallow CNN features into the decoder. We further incorporate novel loss functions and an auxiliary supervision head (Aux-Head) to strengthen training stability, boundary delineation, and intermediate feature interpretability. Extensive experiments on the Synapse multi-organ segmentation dataset demonstrate that our approach achieves state-of-the-art competitive Dice scores and Hausdorff distances, offering an accurate, efficient, and interpretable solution for clinical deployment.
- Abstract（参考訳）: 医用画像のセグメンテーションには高い精度と堅牢性が必要であるが、実用的な商業展開にはプライバシー保護と計算効率も必要である。
この文脈では、U-Netアーキテクチャは本質的に独立したエンコーダとデコーダコンポーネントに分離することができ、自然な商業的選択として機能する。
しかし、Swin-UNetのような純粋なTransformerベースの変種は、ローカルの詳細なキャプチャが不十分で、限定的な解釈性に悩まされることが多い。
本稿では,Swin-UNetフレームワーク上に構築された軽量ハイブリッドアーキテクチャを提案する。
我々のモデルは,Swin Transformerの浅層推論と局所的なテクスチャ特徴を補完する並列CNNエンコーダを統合している。
セマンティックギャップを埋め、細粒度の空間的詳細回復を高めるため、非対称な特徴融合戦略を設計し、浅いCNN特徴をデコーダに明示的に伝播させるクロス層スキップ(XSkip)接続を導入する。
さらに,新しい損失関数と補助監督ヘッド(Aux-Head)を組み込んで,トレーニング安定性,境界線,中間的特徴解釈性を向上する。
Synapse Multi-organ segmentation データセットの大規模な実験は、我々のアプローチが最先端の競合DiceスコアとHausdorff距離を達成し、正確な、効率的、解釈可能な臨床展開ソリューションを提供することを実証している。
関連論文リスト
- GCA-ResUNet: Medical Image Segmentation Using Grouped Coordinate Attention [3.6679095759171645]
GCA-ResUNetは、軽量でプラグ&プレイのGrouped Coordinate Attention (GCA)モジュールを備えた効率的な医用画像セグメンテーションフレームワークである。
Synapse と ACDC の2つの広く使われているベンチマークによる大規模な実験では、それぞれ GCA-ResUNet が 86.11% と 92.64% のDice のスコアを達成している。
論文 参考訳（メタデータ） (2025-12-30T05:13:20Z) - UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。
既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。
高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文 参考訳（メタデータ） (2025-12-15T02:59:16Z) - Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Barlow-Swin: Toward a novel siamese-based segmentation architecture using Swin-Transformers [1.1083289076967895]
本稿では,リアルタイムな2次元医用画像セグメンテーションに特化して設計された,エンドツーエンドの軽量アーキテクチャを提案する。
我々のモデルは、スウィントランスフォーマーのようなエンコーダとU-Netのようなデコーダを組み合わせて、空間的詳細を保存するためにスキップ経路を介して接続する。
Swin TransformerやU-Netのような既存の設計とは異なり、アーキテクチャははるかに浅く、競争的に効率的です。
論文 参考訳（メタデータ） (2025-09-08T17:05:53Z) - CSHNet: A Novel Information Asymmetric Image Translation Method [57.22010952287759]
Swin Embedded CNN (SEC) と CNN Embedded Swin (CES) の2つの主要なモジュールを組み合わせた CNN-Swin Hybrid Network (CSHNet) を提案する。
CSHNetは、シーンレベルのデータセットとインスタンスレベルのデータセットで、視覚的品質とパフォーマンスのメトリクスの両方において、既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2025-01-17T13:44:54Z) - CSWin-UNet: Transformer UNet with Cross-Shaped Windows for Medical Image Segmentation [22.645013853519]
CSWin-UNetは,CSWinの自己保持機構をUNetに組み込んだ,U字型のセグメンテーション手法である。
シナプス多臓器CT, 心臓MRI, 皮膚病変など多種多様なデータセットに対する経験的評価は, CSWin-UNetは高いセグメンテーション精度を達成しつつ, 低モデルの複雑さを維持していることを示している。
論文 参考訳（メタデータ） (2024-07-25T14:25:17Z) - TransNorm: Transformer Provides a Strong Spatial Normalization Mechanism
for a Deep Segmentation Model [4.320393382724066]
畳み込みニューラルネットワーク(CNN)は、医療画像処理時代の主流技術である。
本稿では,Transformerモジュールをエンコーダとスキップ接続の両方に統合する,新しいディープセグメンテーションフレームワークであるTrans-Normを提案する。
論文 参考訳（メタデータ） (2022-07-27T09:54:10Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。
トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
論文 参考訳（メタデータ） (2021-05-12T09:30:26Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳（メタデータ） (2021-02-08T16:10:50Z)
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。