論文の概要: G^2RA-NET: Graph-based Cross-Slice Relation Modeling with Attention Gating for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.20088v1
• Date: Thu, 17 Sep 2026 11:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.249314
• Title: G^2RA-NET: Graph-based Cross-Slice Relation Modeling with Attention Gating for Medical Image Segmentation
• Title（参考訳）: G^2RA-NET:医療画像セグメンテーションのための注意ゲーティングを用いたグラフベースクロススライス関係モデリング
• Abstract要約: G2RA-Netは、グラフベースのクロススライス関係モデリングとアテンションゲーティングを組み合わせた医療画像セグメンテーションフレームワークである。 G2RA-Netは、セグメント精度と境界品質で代表的手法より優れている。
• 参考スコア（独自算出の注目度）: 8.08789548035222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation supports quantitative clinical analysis and computer-aided diagnosis. Recent methods for medical image segmentation have improved both local feature representation and volumetric context modeling. However, existing methods still strug- gle to efficiently model cross-slice relations in anisotropic volumet- ric images, limiting segmentation consistency and accuracy. This pa- per proposes G^2RA-Net, a medical image segmentation framework that combines graph-based cross-slice relation modeling with atten- tion gating. Graph-Based Slice Relationship Modeling (GSRM) cap- tures anatomical dependencies across consecutive slices by repre- senting each slice as a graph node and propagating semantic con- text through graph message passing. The Cross-Slice Attention Gate (CSAG) then selects relevant neighboring context and emphasizes target anatomical regions through attention-guided feature modula- tion. Experiments on brain MRI and abdominal CT datasets demon- strate that G^2RA-Net outperforms representative methods in seg- mentation accuracy and boundary quality. Ablation studies further validate the proposed design.
• Abstract（参考訳）: 医療画像のセグメンテーションは定量的臨床分析とコンピュータ支援診断をサポートする。 近年の医用画像分割法は,局所的特徴表現とボリュームコンテキストモデリングの両方を改善している。 しかし、既存の方法では、非等方的ボリューム-リック画像におけるクロススライス関係を効率的にモデル化し、セグメンテーションの一貫性と精度を制限している。 このpa-perは、グラフベースのクロススライス関係モデリングとアテンションゲーティングを組み合わせた医用画像セグメンテーションフレームワークであるG^2RA-Netを提案する。 グラフベースのスライス関係モデリング(GSRM)は、各スライスをグラフノードとして再送信し、グラフメッセージパッシングを通じて意味的なコンテキストを伝播することにより、連続スライス間の解剖学的依存関係を補足する。 CSAG (Cross-Slice Attention Gate) はその後、関連するコンテキストを選択し、注意誘導された特徴モジュラ-オンを通じて標的解剖領域を強調する。 脳MRIと腹部CTの実験では、G^2RA-Netはseg-mentationの精度と境界品質で代表的手法を上回っている。 アブレーション研究は提案された設計をさらに検証した。

関連論文リスト

• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• Graph Neural Networks for Surgical Scene Segmentation [10.617051271345018]
  視覚変換器(ViT)機能エンコーダとグラフニューラルネットワーク(GNN)を統合し,解剖学的領域間の空間関係を明示的にモデル化する2つのセグメンテーションモデルを提案する。 提案手法は,mIoU(Mean Intersection over Union)の最大7～8%の改善,mDice(Mean Dice)の6%改善を実現している。
  論文  参考訳（メタデータ） (2025-11-20T14:58:29Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• 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)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Uncertainty-Based Dynamic Graph Neighborhoods For Medical Segmentation [0.0]
  セグメンテーションの結果の処理と精錬は、セグメンテーションネットワークから派生した誤分類を減らすための一般的な手法である。 グラフベースのアプローチでは、グラフ内の特定の不確実点を利用し、小さなグラフ畳み込みネットワーク(GCN)に従ってセグメンテーションを洗練する。 本稿では,特徴距離に応じた新しい隣人選択機構を提案し,トレーニング手順における2つのネットワークの組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-08-06T13:39:35Z)
• CT Image Synthesis Using Weakly Supervised Segmentation and Geometric Inter-Label Relations For COVID Image Analysis [4.898744396854313]
  解剖学的ラベル間の関係を学習し,GANを用いた医用画像合成法の改良を提案する。 本手法から得られた合成画像を用いて,肺CT画像から新型コロナウイルス感染領域を抽出するネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-06-15T07:21:24Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。