論文の概要: VGG16-MCA UNet: Whole-Tumor Segmentation in 2D FLAIR MRI with Decoder-Side Channel Attention

• arxiv url: http://arxiv.org/abs/2609.23919v1
• Date: Sun, 20 Sep 2026 22:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.019092
• Title: VGG16-MCA UNet: Whole-Tumor Segmentation in 2D FLAIR MRI with Decoder-Side Channel Attention
• Title（参考訳）: VGG16-MCA UNet: Decoder-Side Channel Attention を併用した2次元FLAIR MRIにおける全モード分割
• Abstract要約: VGG16-MCA UNetは、ImageNetでトレーニングされたVGG16エンコーダとデコーダをペアリングするハイブリッドアーキテクチャである。 2つのパブリックパーティションから腫瘍陽性スライスを分離し, 2D, FLAIR-only, whole-tumor segmenterとして評価した。 この方法では、BraTS 2020分割で95.10%、LGGで88.32%の合計ピクセルレベルDice(F1)が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated brain tumor segmentation supports diagnosis, treatment planning, and monitoring of disease progression, but building models that generalize across heterogeneous tumors and limited annotated data remains difficult. We present VGG16-MCA UNet, a hybrid architecture pairing an ImageNet-pretrained VGG16 encoder with a decoder in which a Multi-Channel Attention (MCA) module recalibrates features after each skip-connection fusion, trained with the Focal Tversky loss to counter severe foreground-background imbalance. We evaluate the model as a 2D, FLAIR-only, whole-tumor segmenter on tumor-positive slices from two public datasets: the BraTS 2020 benchmark and the LGG MRI Segmentation dataset. Using 5-fold cross-validation and a single network formed by averaging the weights of the five fold models, the method attains an aggregate pixel-level Dice (F1) of 95.10% on our held-out BraTS 2020 split and 88.32% on LGG. These scores are computed over all test pixels pooled into a single confusion matrix rather than averaged per case, and are therefore not directly comparable to the per-case mean Dice used in the BraTS challenge protocol. All partitions were drawn over individual slices rather than over patients, so every patient contributes slices to both training and test; the figures above therefore measure interpolation within known patients and should be read as an upper bound rather than as generalization to new ones. The model segments a 256x256 slice in 66.32 ms on a single 6 GB NVIDIA RTX 2060, approximately 8 ms more than an equivalent VGG16-UNet without MCA. We release the split records and report the protocol in full, with the aim of providing a precisely specified and reproducible 2D FLAIR baseline.
• Abstract（参考訳）: 自動脳腫瘍セグメンテーションは、診断、治療計画、疾患進行のモニタリングをサポートするが、異種腫瘍をまたいだ一般化モデルの構築は困難である。 本稿では、VGG16-MCA UNetという、ImageNetでトレーニングされたVGG16エンコーダとデコーダを組み合わせたハイブリッドアーキテクチャについて述べる。 2つの公開データセット(BraTS 2020ベンチマークとLGG MRIセグメンテーションデータセット)の腫瘍陽性スライスに対して,このモデルを2D,FLAIRのみ,全腫瘍セグメンタとして評価した。 5倍のクロスバリデーションと5倍のモデルの重みを平均化して形成された1つのネットワークを用いて、ホールドアウトしたBraTS 2020スプリットで95.10%、LGGで88.32%の集積画素レベルDice(F1)を達成する。 これらのスコアは、ケースごとの平均ではなく、単一の混乱行列にプールされた全てのテストピクセルで計算されるため、BraTSチャレンジプロトコルで使用されるケースごとの平均Diceと直接比較されない。 すべての分割は患者よりも個々のスライスの上に描かれており、全ての患者はトレーニングとテストの両方にスライスを提供しており、上記の数字は既知の患者内の補間を測定し、新しい患者への一般化よりも上位境界として読むべきである。 このモデルは6GBのNVIDIA RTX 2060で256x256のスライスを66.32ms、MCAのない同等のVGG16-UNetより約8ms高い。 分割レコードを公開し、プロトコルを完全報告し、正確に指定され再現可能な2D FLAIRベースラインを提供することを目的としている。

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)
• 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)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation [2.055949720959582]
  本稿では,脳腫瘍領域分割のための2段階エンコーダデコーダモデルを提案する。 変分オートエンコーダの正規化は、オーバーフィッティング問題を防止するために両段階で利用される。 提案法は, 腫瘍全体, 腫瘍コア, 造影腫瘍全体に対して平均Diceスコア0.9041, 0.8350, 0.7958, Hausdorff距離95%の4.953, 6.299, 23.608を得る。
  論文  参考訳（メタデータ） (2020-11-04T05:55:06Z)
• DR-Unet104 for Multimodal MRI brain tumor segmentation [7.786297008452384]
  脳MRIにおける病変分割のために,104層の畳み込み層(DR-Unet104)を有する2次元奥行きUnetを提案する。 Unetエンコーダに'bottleneck'残ブロックを追加し、各畳み込みブロックスタックの後にドロップアウトを追加するなど、Unetアーキテクチャに複数の追加を加えています。 コンボリューションは2次元のコンボリューションしかなく,低消費電力コンピュータで使用可能なメリットも備えた,競争力のある病変分割アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-11-04T01:24:26Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。