論文の概要: Feature Reconfiguration With Visual Prior for Medical Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2609.03535v2
• Date: Sat, 05 Sep 2026 04:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.866079
• Title: Feature Reconfiguration With Visual Prior for Medical Lesion Segmentation
• Title（参考訳）: 医用病変分割のための視覚的優先機能による特徴再構成
• Authors: Yinan Liu, Jiankang Hong, Zhen Gao, Ye Luo,
• Abstract要約: 医療画像の病変分割は臨床診断と治療計画において重要な役割を担っている。 既存のエンコーダ-デコーダベースの手法は主に特徴抽出の強化やデコーダ戦略の再設計に重点を置いている。 本稿では, エンコーディング前の画素レベルの再構成を行うFreNetと, 正確な医学的病変分割のためのエンコーディング中の特徴レベルの再構成を行う。
• 参考スコア（独自算出の注目度）: 10.267519396322186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lesion segmentation in medical images plays a critical role in clinical diagnosis and treatment planning. Despite significant advances, lesion segmentation remains challenging due to two major factors: (1) complex background interference; (2) diverse lesion morphology. Existing encoder-decoder based methods mainly focus on enhancing feature extraction or redesigning decoding strategies. However, they lack early prior guidance and feature reconfiguration during the encoding stage, limiting their effectiveness in handling these challenges. To address these limitations, we propose FreNet, a feature reconfiguration framework with visual priors, which performs pixel-level reconfiguration before encoding and feature-level reconfiguration during encoding for precise medical lesion segmentation. To suppress background responses, we propose an Implicit Prior Neural Network (IPNN), which models a continuous spatial field and leverages visual prior from SAM to reconfigure input image before encoding stage. To better handle diverse lesion morphology, we design a Dual-domain Feature Reconfiguration (DFR) module to progressively reconfigure backbone features during encoding stage. Within DFR, the Frequency Decoupling Module (FDM) decouples backbone features in frequency domain to enhance foreground-background discriminability, while the Spatial Localization Module (SLM) spatially relocates and improving spatial stability after frequency decoupling. Extensive experiments on 9 medical image segmentation benchmarks across three imaging modalities demonstrate that FreNet significantly outperforms state-of-the-art (SOTA) methods. On the challenging ETIS dataset, our method achieves Dice improvements of 5.0% over SOTA method and 7.2% over SAM.
• Abstract（参考訳）: 医療画像の病変分割は臨床診断と治療計画において重要な役割を担っている。 著明な進展にもかかわらず, (1) 複雑な背景干渉, (2) 多様な病変形態の2つの要因により, 病変の分節化は依然として困難である。 既存のエンコーダ-デコーダベースの手法は主に特徴抽出の強化やデコーダ戦略の再設計に重点を置いている。 しかし、エンコーディング段階では早期のガイダンスや機能再構成が欠如しており、これらの課題に対処する上での有効性が制限されている。 これらの制約に対処するため、FreNetという視覚的事前設定を持つ機能再構成フレームワークを提案し、エンコーディング前のピクセルレベルの再構成と、正確な医学的病変のセグメンテーションのためのエンコーディング時の機能レベルの再構成を行う。 背景応答を抑制するために,連続空間場をモデル化し,SAMからの視覚的事前情報を利用して,ステージのエンコーディング前に入力画像を再設定するインプリシト優先ニューラルネットワーク(IPNN)を提案する。 多様な病変形態をよりよく扱うために、エンコーディング時にバックボーン機能を段階的に再構成するデュアルドメイン特徴再構成(DFR)モジュールを設計する。 DFR内では、周波数デカップリングモジュール(FDM)が周波数領域のバックボーンを分離し、前景と背景の識別性が向上する一方、空間局在モジュール(SLM)は周波数デカップリング後の空間的安定性を向上する。 3つの画像モダリティにわたる9つの医用画像セグメンテーションベンチマークの広範囲な実験により、FreNetは最先端(SOTA)手法を著しく上回っていることが示された。 挑戦的なETISデータセットでは,SOTA法では5.0%,SAMでは7.2%のDice改善を実現している。

関連論文リスト

• A Zero-Shot Deep Image Prior Framework for Denoising and Deconvolution in Fluorescence Microscopy [6.129338407421482]
  SDIPは、外部トレーニングデータなしで逐次デノベーションとデコンボリューションを行う、ゼロショットのディープイメージ事前フレームワークである。 複数の細胞構造にわたるBioSRデータセットの実験により、SDIPは信号対雑音比と分解能の両方を改善していることが示された。 提案フレームワークは,他の逆問題に対する物理誘導型DIP手法の設計に有用な知見を提供する。
  論文  参考訳（メタデータ） (2026-06-26T01:52:27Z)
• Phi-SegNet: Phase-Integrated Supervision for Medical Image Segmentation [1.76179873429447]
  アーキテクチャレベルと最適化レベルの両方で位相認識情報を組み込んだCNNベースのアーキテクチャであるPhi-SegNetを提案する。 Phi-SegNetは、X線、米国、病理、MRI、大腸内視鏡にまたがる5つの公開データセットで、一貫して最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-01-22T16:00:41Z)
• Spatial-Frequency Dual Progressive Attention Network For Medical Image Segmentation [11.60636221012585]
  医用画像では、様々な種類の病変が、形状やテクスチャに顕著な違いを呈することが多い。 正確な医用画像セグメンテーションは、マルチスケールおよびバウンダリの特徴学習において堅牢な機能を持つディープラーニングモデルを必要とする。 本稿では,空間周波数デュアルドメインアテンションネットワークであるSF-UNetを紹介する。 マルチスケールプログレッシブ・チャンネル・アテンション(MPCA)ブロックは隣接するエンコーダ層にまたがるマルチスケールの特徴を徐々に抽出し、軽量な周波数空間アテンション(FSA)ブロックはわずか0.05Mのパラメータしか持たない。
  論文  参考訳（メタデータ） (2024-06-12T07:22:05Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• 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)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• AliasNet: Alias Artefact Suppression Network for Accelerated Phase-Encode MRI [4.752084030395196]
  スパース再構成はMRIの重要な側面であり、取得時間を短縮し、空間時間分解能を改善するのに役立つ。 1D AliasNetモジュールと既存の2Dディープラーニング(DL)リカバリ技術を組み合わせることで、画像の品質が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-17T13:16:17Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。