論文の概要: TRIUNE-Net: Harmonizing Scale, Shape, and Efficiency in Pancreatic Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2609.08303v1
• Date: Tue, 08 Sep 2026 06:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:52:09.159631
• Title: TRIUNE-Net: Harmonizing Scale, Shape, and Efficiency in Pancreatic Tumor Segmentation
• Title（参考訳）: TRIUNE-Net : 膵腫瘍切除における高調波スケール, 形状, 効率
• Abstract要約: 3次元CTボリュームにおける膵腫瘍の分節化は,膵と腫瘍の双方に極度にばらつきがあるため困難である。 本稿では,3つのイノベーションを通じて,資源規模,形状,効率の軽量統一化を実現するTRIUNENetを提案する。 TRIUNENet state-of-heart results with only 5.86M parameters and no external pre-training, out out of all baselines across all key tumor metrics。
• 参考スコア（独自算出の注目度）: 6.974505071267636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pancreatic tumor segmentation in 3D CT volumes is challenged by extreme scale variability across both the pancreas and tumor, and highly irregular tumor morphology. While recent advances have pushed segmentation performance, existing methods do not explicitly address these challenges and come at the cost of excessive computational complexity, limiting their practicality in resource-constrained clinical environments. We propose TRIUNE-Net, a lightweight unified architecture that harmonizes scale, shape, and efficiency through three synergistic innovations. A multi-scale context aggregation module with stage-adaptive dilated convolutions enables the model to reason across the broad range of anatomical scales present in both organs. A serial linear-deformable attention mechanism combines large effective receptive fields with shapeadaptive deformable convolutions to capture irregular, non-convex tumor morphologies. Finally, an information-preserving downsampling module replaces conventional max pooling entirely, retaining all spatial information while adding negligible parameters, preventing small tumors from being discarded before they can be recognized. On both the MSD Pancreas and NVD Pancreas datasets, TRIUNE-Net achieves state-of-theart results with only 5.86 M parameters and no external pre-training, outperforming all baselines across all key tumor metrics. Specifically, it surpasses the next-best model by 0.45% in tumor Dice, 6.0 points in F1 score, 6.6 points in sensitivity, and 3.4 points in precision, simultaneously reflecting its ability to suppress both missed tumors and false alarms in clinically realistic conditions. Our code is available at: https://github.com/abdora-ai/TRIUNE-Net
• Abstract（参考訳）: 3次元CTボリュームにおける膵腫瘍の分画は,膵と腫瘍の双方にわたる極度の変動と極めて不規則な腫瘍形態により困難である。 最近の進歩はセグメンテーションのパフォーマンスを推し進めているが、既存の手法はこれらの課題に明示的に対処せず、資源制約された臨床環境におけるそれらの実用性を制限し、過剰な計算複雑性のコストを伴っている。 本稿では,3つの相乗的革新を通じてスケール,形状,効率を調和させる軽量統一アーキテクチャであるTRIUNE-Netを提案する。 段階適応的な拡張畳み込みを伴うマルチスケールコンテキストアグリゲーションモジュールは、両方の臓器に存在する幅広い解剖学的スケールのモデルを推論することができる。 連続線形変形性アテンション機構は、大きな有効受容野と形状適応性変形性コンボリューションを組み合わせることで、不規則な非凸性腫瘍形態を捉える。 最後に、情報保存ダウンサンプリングモジュールは、従来のマックスプーリングを完全に置き換え、無視可能なパラメータを追加しながらすべての空間情報を保持し、小さな腫瘍が認識される前に破棄されるのを防ぐ。 MSD PancreasとNVD Pancreasのデータセットの両方で、TRIUNE-Netは5.86Mパラメータだけで最先端の結果を達成し、外部の事前トレーニングは行わない。 具体的には、腫瘍Diceの0.45%、F1の6.0ポイント、感度の6.6ポイント、精度の3.4ポイントを上回り、臨床的に現実的な条件下での腫瘍と誤報の両方を抑制する能力を同時に反映している。 私たちのコードは、https://github.com/abdora-ai/TRIUNE-Netで利用可能です。

関連論文リスト

• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• 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)
• Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation [0.0]
  容積多モード脳腫瘍分節に対する Hyper-Connection (HC) の第1報を報告する。 Dynamic HCはBraTS 2021データセットのすべての3Dモデルを一貫して改善する。 HCは、医用画像セグメンテーションにおけるマルチモーダル特徴融合のための、シンプルで効率的で広く適用可能なメカニズムである。
  論文  参考訳（メタデータ） (2026-03-20T10:44:58Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
  LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
  論文  参考訳（メタデータ） (2024-04-09T00:05:45Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)

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。