論文の概要: De-GAN - Dynamic Parameter Tuned GAN for 3D Medical Image Segmentation: A Step Towards Generalisation

• arxiv url: http://arxiv.org/abs/2609.16755v1
• Date: Tue, 15 Sep 2026 07:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.38906
• Title: De-GAN - Dynamic Parameter Tuned GAN for 3D Medical Image Segmentation: A Step Towards Generalisation
• Title（参考訳）: 3次元医用画像分割のための動的パラメータ調整型GAN : 一般化に向けて
• Abstract要約: 本稿では,入力適応型動的畳み込み,スタイル認識型特徴混合,座標符号化を組み合わせたコントラスト強調条件付きGAND-GANを提案する。 ラベル誘導型クラス条件ターゲットは、解剖学を保存しながら腫瘍コア(TC)とET強度を分離する。 BraTS 2015、2018、2019全体で、DEC-GANは、報告されているほとんどのTC/ETメトリクスのベースラインと静的EnhGAN置換のセグメンテーションを改善している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumor segmentation remains difficult because enhancing tumor (ET) has low contrast and overlaps surrounding tissue, while scanner and site variation causes domain shift. We propose DE-GAN, a contrast-enhancing conditional GAN that combines input-adaptive dynamic convolutions, style-aware feature mixing, and coordinate encoding to synthesize slice-adaptive FLAIR images. A label-guided, class-conditional target separates tumor-core (TC) and ET intensities while preserving anatomy. The generated FLAIR is concatenated with the original MR modalities and used to train a 3D U-Net. Across BraTS 2015, 2018, and 2019, DE-GAN improves segmentation over the baseline and static EnhGAN replacement on most reported TC/ET metrics, with the largest gains from retaining both original and enhanced FLAIR. Code and pretrained models are available at https://github.com/zkhansuri-ui/DE-GAN.
• Abstract（参考訳）: 脳腫瘍のセグメンテーションは、腫瘍(ET)の増強はコントラストが低く、周囲の組織が重なり、スキャナーと部位の変化はドメインシフトを引き起こすため、依然として困難である。 入力適応型動的畳み込みとスタイル認識型特徴混合とコーディネートエンコーディングを組み合わせてスライス適応FLAIR画像の合成を行うコントラストエンハンス条件付きGAND-GANを提案する。 ラベル誘導型クラス条件ターゲットは、解剖学を保存しながら腫瘍コア(TC)とET強度を分離する。 生成されたFLAIRは、元のMRモードと結合し、3D U-Netのトレーニングに使用される。 BraTS 2015、2018、2019全体で、DE-GANは、報告されているほとんどのTC/ETメトリクスのベースラインと静的EnhGAN置換のセグメンテーションを改善している。 コードと事前訓練されたモデルはhttps://github.com/zkhansuri-ui/DE-GAN.comで入手できる。

関連論文リスト

• WaveDiT: Distribution-Aware Wavelet Flow Matching for Efficient 3D Brain MRI Synthesis [7.371811584771131]
  大規模な階層的バランスの取れたデータセットは、信頼できる神経画像バイオマーカーに不可欠である。 WaveDiTは、3次元ハール離散ウェーブレット変換の係数空間で動作する条件付きフローマッチングフレームワークである。 単一の現代的なGPU上で、実用的およびメモリ時間の制約の下で、フル解像度の3D合成をサポートする。
  論文  参考訳（メタデータ） (2026-06-07T15:21:02Z)
• 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)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• 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)
• Decoder-Free Supervoxel GNN for Accurate Brain-Tumor Localization in Multi-Modal MRI [1.209913077217557]
  SVGFormerはデコーダフリーのパイプラインで、ボリュームをスーパーボクセルのセマンティックグラフに分割する。 その階層エンコーダは、パッチレベルのトランスフォーマーとスーパーボクセルレベルのグラフアテンションネットワークを組み合わせることで、リッチなノード表現を学習する。 以上の結果から,グラフベースのエンコーダのみのパラダイムが,3次元医用画像表現の正確かつ本質的に解釈可能な代替手段であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-01-20T15:13:04Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• GLoG-CSUnet: Enhancing Vision Transformers with Adaptable Radiomic Features for Medical Image Segmentation [2.294915015129229]
  ビジョントランスフォーマー(ViT)は医療画像セマンティックセグメンテーション(MISS)において有望であることを示した Gabor and Laplacian of Gaussian Convolutional Swin Network (GLoG-CSUnet) を紹介する。 GLoG-CSUnetは、学習可能な放射能機能を組み込んだトランスフォーマーモデルを強化する新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2025-01-06T06:07:40Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)
• CAFCT-Net: A CNN-Transformer Hybrid Network with Contextual and Attentional Feature Fusion for Liver Tumor Segmentation [3.8952128960495638]
  肝腫瘍分節化のためのコンテクスト・アテンショナル機能FusionsEnhanced Convolutional Network (CNN) と Transformer Hybrid Network (CAFCT-Net) を提案する。 実験の結果,提案モデルの平均断面積は76.54%,Dice係数は84.29%であった。
  論文  参考訳（メタデータ） (2024-01-30T10:42:11Z)
• Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images [7.334185314342017]
  我々はSwin UNEt TRansformers(Swin UNETR)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルは、シフトしたウィンドウを利用して、5つの異なる解像度で特徴を抽出し、自己注意を演算する。 我々は、BraTS 2021セグメンテーションチャレンジに参加し、提案したモデルは、検証フェーズにおける最も優れたアプローチの1つである。
  論文  参考訳（メタデータ） (2022-01-04T18:01:34Z)
• nnFormer: Interleaved Transformer for Volumetric Segmentation [50.10441845967601]
  本稿では,自己意図と畳み込みを実証的に組み合わせた,インターリーブアーキテクチャを備えた強力なセグメンテーションモデルであるnnFormerを紹介する。 nnFormerは、SynapseとACDCの2つの一般的なデータセットで、以前のTransformerベースのメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2021-09-07T17:08:24Z)

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。