Fugu-MT 論文翻訳(概要): MoSSGate: Memory-Modulated State-Space Gating for Skin Lesion Segmentation

論文の概要: MoSSGate: Memory-Modulated State-Space Gating for Skin Lesion Segmentation

arxiv url: http://arxiv.org/abs/2609.20181v1
Date: Fri, 24 Jul 2026 09:34:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.628387
Title: MoSSGate: Memory-Modulated State-Space Gating for Skin Lesion Segmentation
Title（参考訳）: MoSSGate: Skin Lesion Segmentationのためのメモリ変調状態空間ゲーティング
Abstract要約: MoSSGateは、(i)境界対応空間ゲーティングを統合して、(i)長距離伝搬を情報領域に制限し、(ii)サンプル適応動的制御を提供する外部メモリ変調器、(iii)線形複雑性を伴う効率的なグローバルコンテキストアグリゲーションのための並列2次元状態空間モデリングを提供する。 ISIC 2017とISIC 2018ベンチマークの実験では、高い効率で最先端の精度を示し、それぞれ86.3%と85.9%のmIoUと92.6%と90.6%のDiceを達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate skin lesion segmentation is crucial for reliable computer-aided dermatological diagnosis, yet existing convolutional and transformer-based models often struggle to jointly capture long-range spatial dependencies and fine boundary details under limited computational budgets. This trade-off between global context modeling and boundary-aware localization frequently leads to over-segmentation, fragmented predictions, or missing thin peripheral structures. To address this challenge, we propose MoSSGate, a plug-and-play module for U-Net that integrates (i) boundary-aware spatial gating to restrict long-range propagation to informative regions, (ii) an external memory modulator that provides sample-adaptive dynamic control, and (iii) parallel 2D state-space modeling for efficient global context aggregation with linear complexity. The proposed design enables adaptive, context-aware information propagation while preserving sharp and accurate lesion boundaries. Extensive experiments on the ISIC 2017 and ISIC 2018 benchmarks demonstrate state-of-the-art accuracy with strong efficiency, achieving 86.3% and 85.9% mIoU and 92.6% and 90.6% Dice, respectively, while requiring substantially fewer FLOPs than most competing CNN-based methods. These results highlight a favorable accuracy efficiency trade-off for high-resolution medical image segmentation.
Abstract（参考訳）: しかし、既存の畳み込みモデルとトランスフォーマーベースのモデルは、限られた計算予算の下で、長距離空間依存性と細かな境界の詳細を共同で捉えるのに苦労することが多い。このグローバルコンテキストモデリングと境界認識のローカライゼーションのトレードオフは、しばしば過剰な分割、断片化された予測、あるいは薄い周辺構造の欠如につながる。この課題に対処するため、我々は、統合されたU-Netのプラグイン・アンド・プレイモジュールであるMoSSGateを提案する。 (i)情報領域への長距離伝搬を制限する境界対応空間ゲーティング二サンプル適応動的制御を提供する外部メモリ変調器及び 3) 線形複雑性を伴う効率的な大域的コンテキストアグリゲーションのための並列2次元状態空間モデリング。提案設計は,鋭く正確な境界を保ちつつ,適応的かつコンテキスト対応な情報伝達を可能にする。 ISIC 2017とISIC 2018のベンチマークの大規模な実験では、高い効率で最先端の精度を示し、それぞれ86.3%と85.9%のmIoUと92.6%と90.6%のDiceを達成した。これらの結果は,高分解能な医用画像分割のための良好な精度のトレードオフを浮き彫りにした。

関連論文リスト

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)
SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation [0.21485350418225244]
SpineContextResUNetは高速な脊髄局在化のための計算効率の良い3次元残留U-Netである。我々のアーキテクチャは、長距離解剖学的依存関係をキャプチャするために並列な多次元畳み込みを利用する軽量なContext Blockを統合している。当社のモデルは、堅牢な推論を実行し、ポイント・オブ・ケアの診断とエッジプラットフォームへのデプロイに有効なソリューションとなる。
論文参考訳（メタデータ） (2026-05-20T06:00:23Z)
RDNet: Region Proportion-Aware Dynamic Adaptive Salient Object Detection Network in Optical Remote Sensing Images [78.19052099452695]
地域分布を考慮した動的適応型オブジェクト検出ネットワーク(RDNet)を提案する。 RDNetはグローバルコンテキストモデリングのためにCNNのバックボーンをSwinTransformerに置き換える。スケールの変動や正確なローカライゼーションに対して堅牢性を実現し、最先端の手法と比較して優れた検出性能を提供する。
論文参考訳（メタデータ） (2026-03-12T17:34:29Z)
High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。機能適応型INR(FA-INR)を提案する。
論文参考訳（メタデータ） (2025-06-07T16:45:17Z)
A Study on the Performance of U-Net Modifications in Retroperitoneal Tumor Segmentation [45.39707664801522]
後腹膜には、稀な良性および悪性型を含む様々な腫瘍があり、診断と治療の課題を引き起こす。腫瘍径の推定は不規則な形状のため困難であり,手動分割は時間を要する。本研究は,CNN,ViT,Mamba,xLSTMなどのU-Net拡張を,新しい社内CTデータセットと公開臓器セグメンテーションデータセットに基づいて評価する。
論文参考訳（メタデータ） (2025-02-01T04:25:28Z)
Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文参考訳（メタデータ） (2024-10-04T06:19:29Z)
MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
論文参考訳（メタデータ） (2024-09-19T07:51:14Z)
SkinMamba: A Precision Skin Lesion Segmentation Architecture with Cross-Scale Global State Modeling and Frequency Boundary Guidance [0.559239450391449]
皮膚病変のセグメンテーションは早期皮膚癌を同定するための重要な方法である。我々は、SkinMambaと呼ばれるMambaとCNNをベースとしたハイブリッドアーキテクチャを提案する。強力な長距離依存性モデリングとローカル機能抽出機能を提供しながら、線形複雑性を維持している。
論文参考訳（メタデータ） (2024-09-17T05:02:38Z)
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)
Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文参考訳（メタデータ） (2024-01-11T19:07:58Z)

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。