論文の概要: LASSNet: Level-Aware Availability-Conditioned Spatial-Semantic Fusion for Brain Tumor Segmentation with Missing MRI Modalities
- arxiv url: http://arxiv.org/abs/2609.06733v1
- Date: Sun, 06 Sep 2026 17:12:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:43:37.462841
- Title: LASSNet: Level-Aware Availability-Conditioned Spatial-Semantic Fusion for Brain Tumor Segmentation with Missing MRI Modalities
- Title（参考訳）: LASSNet:MRIモダリティを欠いた脳腫瘍切除に対するレベルアウェア・アベイラビリティ・コンディション付き空間意味核融合法
- Abstract要約: 高解像度の側方特徴は空間的詳細を保ち、圧縮されたボトルネック特徴は意味論とモダリティ間コンテキストを符号化する。
本稿では,2つのレベル特化モジュールを含むLASSNet(Level-Aware Availability-Conditioned Space-Semantic Fusion Network)を提案する。
- 参考スコア（独自算出の注目度）: 5.201957897437079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain tumor segmentation from multimodal MRI relies on complementary evidence across four imaging sequences, yet one or more modalities may be unavailable because of acquisition cost, protocol variation, scan failure, or patient condition. Existing work has explored reconstruction, knowledge transfer, and direct feature fusion, but leaves open whether missing-modality fusion should change with representation level. High-resolution lateral features retain spatial detail, whereas compressed bottleneck features encode semantic and inter-modality context. We therefore hypothesize that fusion should be conditioned jointly on modality availability and feature hierarchy. We propose the Level-Aware Availability-Conditioned Spatial-Semantic Fusion Network (LASSNet), which contains two level-specialized modules. Hierarchical Availability-Conditioned Fusion (HACF) constructs four lateral representations using count-normalized aggregation of available modalities, mask-conditioned channel modulation, and local 3D refinement. Tri-Scale Relational-Spatial Fusion (TriRSF) models relations among available modality descriptors and spatial context across multiple bottleneck resolutions, followed by cross-scale aggregation and availability-conditioned global spatial attention. A shared coarse-to-fine decoder starts from TriRSF semantics and progressively injects HACF features, without reconstructing missing inputs. Across all 15 non-empty modality configurations, LASSNet obtains mean Dice scores of 76.7% and 83.2% over WT, TC, and ET on BraTS2019 and BraTS2023, respectively.
- Abstract（参考訳）: マルチモーダルMRIによる脳腫瘍の分節化は、4つの画像シーケンスにまたがる補完的な証拠に依存するが、1つ以上のモダリティは、取得コスト、プロトコルの変化、スキャン失敗、または患者の状態のために利用できない可能性がある。
既存の研究は、再構築、知識伝達、直接的特徴融合について検討してきたが、モダリティの欠如が表現レベルで変化すべきか否かは未解決のままである。
高解像度の側方特徴は空間的詳細を保ち、圧縮されたボトルネック特徴は意味論とモダリティ間コンテキストを符号化する。
したがって、融合は、モダリティの可用性と特徴階層に基づいて共同で条件付けされるべきである、という仮説を立てる。
本稿では,2つのレベル特化モジュールを含むLASSNet(Level-Aware Availability-Conditioned Space-Semantic Fusion Network)を提案する。
階層型アベイラビリティ・コンディションド・フュージョン(HACF)は、利用可能なモダリティのカウント正規化アグリゲーション、マスク条件のチャネル変調、局所的な3Dリファインメントの4つの側面表現を構築している。
Tri-Scale Relational-Spatial Fusion (TriRSF) は、複数のボトルネック解決において利用可能なモダリティ記述子と空間コンテキストの関係をモデル化し、その後、クロススケールアグリゲーションとアベイラビリティに配慮したグローバル空間アテンションをモデル化する。
共有された粗大なデコーダは、TriRSFセマンティクスから始まり、欠落した入力を再構築することなく、徐々にHACF機能を注入する。
15の空でないモダリティ構成の中で、LASSNetは平均Diceスコアを76.7%、WT、TC、ETで83.2%、BraTS2019、BraTS2023でそれぞれ取得している。
関連論文リスト
- AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-28T11:36:31Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - HDMoE: A Hierarchical Decoupling-Fusion Mixture-of-Experts Framework for Multimodal Cancer Survival Prediction [16.809488926742194]
階層型アンダーラインデカップリング・フュージョンアンダーラインMixture-underlineof-underlineExperts (HDMoE) フレームワークを提案する。
第1段階のMoEでは、共有専門家とルーティング専門家が、冗長な情報を取り除き、きめ細かい特定の特徴を抽出するために雇われている。
論文 参考訳（メタデータ） (2026-05-20T08:31:09Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳（メタデータ） (2026-01-29T13:05:46Z) - A-QCF-Net: An Adaptive Quaternion Cross-Fusion Network for Multimodal Liver Tumor Segmentation from Unpaired Datasets [0.0]
本稿では,A-QCF-Net(Adaptive Quaternion Cross-Fusion Network)を提案する。
我々は,未実装のLiTS (CT) と ATLAS (MRI) データセットの1つのモデルを共同でトレーニングすることで,この枠組みを検証する。
論文 参考訳（メタデータ） (2025-12-25T18:42:21Z) - 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) - Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。
これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。
提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文 参考訳（メタデータ） (2024-05-15T00:17:48Z) - A Multimodal Feature Distillation with CNN-Transformer Network for Brain Tumor Segmentation with Incomplete Modalities [15.841483814265592]
本稿では,CNN-Transformer Hybrid Network (MCTSeg) を用いたマルチモーダル特徴蒸留法を提案する。
CNN-Transformer ネットワークと Transformer の畳み込みブロックを併用して提案するモジュールの重要性について検討した。
論文 参考訳（メタデータ） (2024-04-22T09:33:44Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳（メタデータ） (2022-07-07T16:57:21Z)
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。