論文の概要: Lightweight Vision Transformer-Based U-Net for Brain Tumor Segmentation from MRI

• arxiv url: http://arxiv.org/abs/2609.29785v1
• Date: Thu, 24 Sep 2026 13:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.953324
• Title: Lightweight Vision Transformer-Based U-Net for Brain Tumor Segmentation from MRI
• Title（参考訳）: MRIによる脳腫瘍分離のための軽量ビジョントランスを用いたU-Net
• Abstract要約: 本稿では,UNetの階層的特徴抽出機能と視覚変換器のグローバルコンテキストモデリングを組み合わせた軽量なビジョン変換器UNetを提案する。 提案アーキテクチャは,U-NetエンコーダデコーダフレームワークにコンパクトなViTボトルネックを組み込むことで,局所的特徴とグローバルな特徴の両方を効果的に学習することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate brain tumor segmentation from Magnetic Resonance Imaging is essential for diagnosis, treatment planning, and surgical guidance. Although Convolutional Neural Networks, particularly UNet, have achieved significant success in medical image segmentation, they often struggle to capture the long-range spatial dependencies required to model tumors with irregular shapes and complex boundaries. This paper proposes a lightweight Vision Transformer UNet that combines the hierarchical feature extraction capability of UNet with the global context modeling of Vision Transformers. The proposed architecture incorporates a compact ViT bottleneck within a U-Net encoder-decoder framework, enabling effective learning of both local and global features while maintaining computational efficiency with only 2.6 million trainable parameters. The model was evaluated on the TCGA LGG MRI Segmentation dataset, achieving a mean Intersection over Union of 0.8100 and a Dice score of 0.8446, outperforming the baseline UNet by 3.75% and 3.15%, respectively. Extensive quantitative and qualitative analyses, including confusion matrix evaluation, precision recall curves, per-image performance distribution, and tumor size dependency analysis, demonstrate the effectiveness and robustness of the proposed method for brain tumor segmentation.
• Abstract（参考訳）: 磁気共鳴画像からの正確な脳腫瘍の分節化は、診断、治療計画、手術指導に不可欠である。 畳み込みニューラルネットワーク、特にUNetは、医用画像セグメンテーションにおいて大きな成功を収めているが、不規則な形状と複雑な境界を持つ腫瘍をモデル化するのに必要とされる長距離空間依存を捉えるのに苦労することが多い。 本稿では,UNetの階層的特徴抽出機能と視覚変換器のグローバルコンテキストモデリングを組み合わせた軽量なビジョン変換器UNetを提案する。 提案アーキテクチャは、U-NetエンコーダデコーダフレームワークにコンパクトなViTボトルネックを組み込み、ローカルおよびグローバル両方の特徴を効果的に学習し、トレーニング可能なパラメータはわずか260万である。 このモデルは、TCGA LGG MRIセグメンテーションデータセットで評価され、平均値0.8100、Diceスコア0.8446を達成し、ベースラインUNetをそれぞれ3.75%、Diceスコア3.15%上回った。 混乱行列評価,高精度リコール曲線,画像ごとのパフォーマンス分布,腫瘍の大きさ依存性解析など,広範囲にわたる定量的および定性的な分析により,提案手法の有効性とロバスト性を示した。

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)
• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing [0.0]
  本研究の目的は,脳腫瘍のセグメンテーションの性能を高めることであり,最終的に診断の信頼性を向上させることである。 提案したモデルは、この目標を達成するために、さまざまなパフォーマンス指標を使用して、BraTS 2020データセットで徹底的に評価され、評価される。
  論文  参考訳（メタデータ） (2025-10-21T22:11:19Z)
• 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)
• Graph-based Multi-Modal Interaction Lightweight Network for Brain Tumor Segmentation (GMLN-BTS) in Edge Iterative MRI Lesion Localization System (EdgeIMLocSys) [6.451534509235736]
  本稿では,人間のフィードバックから連続学習を統合するEdge IMLocSys (Edge Iterative MRI Lesion Localization System) を提案する。 このシステムの中心は、GMLN-BTS(GMLN-BTS)のためのグラフベースの多モード相互作用軽量ネットワークである。 提案したGMLN-BTSモデルは、BraTS 2017データセットで85.1%のDiceスコアを達成し、パラメータはわずか458万で、メインストリームの3Dトランスフォーマーモデルと比較して98%削減された。
  論文  参考訳（メタデータ） (2025-07-14T07:29:49Z)
• Automated MRI Tumor Segmentation using hybrid U-Net with Transformer and Efficient Attention [0.7456526005219317]
  癌は異常な増殖であり、局所的に浸潤し、遠くの臓器に転移する可能性がある。 最近のAIベースのセグメンテーションモデルは一般的に、大規模な公開データセットでトレーニングされている。 本研究は,AI腫瘍セグメンテーションモデルを病院ソフトウェアに直接組み込んで,効率的な腫瘍治療計画と実施を行う。
  論文  参考訳（メタデータ） (2025-06-18T15:36:37Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)

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。