論文の概要: Multi-Resolution Feature Fusion U-Net for Magnetic Resonance Imaging Segmentation

• arxiv url: http://arxiv.org/abs/2610.00279v1
• Date: Thu, 24 Sep 2026 17:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.590411
• Title: Multi-Resolution Feature Fusion U-Net for Magnetic Resonance Imaging Segmentation
• Title（参考訳）: 磁気共鳴画像セグメンテーションのための多解像核融合Uネット
• Abstract要約: 解剖学的に異なる構造にまたがるMRIセグメンテーションのための新しいDLアーキテクチャを提案する。 このアーキテクチャはMulti-Resolution Feature Fusion (MRFF)と呼ばれるモジュールを導入し、任意のU-Netのようなアーキテクチャに容易に統合できる。 我々は,MRFFU-Netを,解剖学的対象のMRIデータセットとして公開している2つのベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 3.8424737607413153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The segmentation of anatomical structures in medical images and particularly in MRI scans, is essential for clinical diagnosis and monitoring disease progression. While Deep Learning (DL) architectures, such as U-Net and its extensions are very effective in medical image segmentation tasks, they often struggle with preserving fine-grained details and global contextual information. This is especially challenging for MRI data segmentation, where anatomical structures are characterized by irregular boundaries and variations in shape, contrast, and scale. To address this challenge, we propose a novel DL architecture for MRI segmentation across different anatomical structures. Specifically, the architecture introduces a module, named Multi-Resolution Feature Fusion (MRFF), that can be easily integrated into any U-Net-like architecture. The MRFF is integrated in all levels of an encode-decoder structure, along with attention mechanisms and skip connections to extract features at multiple resolutions, enabling the model to capture both fine-grained details and global contextual information. We evaluate the MRFFU-Net on two publicly available benchmark MRI datasets of different anatomical targets; one for Cerebrospinal Fluid (CSF) segmentation in spinal MR scans, and one for left atrium cardiac segmentation, from the Medical Segmentation Decathlon (MSD) challenge. Experimental results indicate that MRFFU-Net outperforms state-of-the-art models across multiple evaluation metrics, demonstrating its effectiveness in MRI segmentation.
• Abstract（参考訳）: 医学画像,特にMRI画像における解剖学的構造のセグメンテーションは,臨床診断と疾患進行のモニタリングに不可欠である。 U-Netやその拡張のようなディープラーニング(DL)アーキテクチャは、医用画像のセグメンテーションタスクに非常に効果的であるが、細かな細部やグローバルな文脈情報を保存するのにしばしば苦労する。 これは、解剖学的構造が不規則な境界と形状、コントラスト、スケールによって特徴づけられるMRIデータセグメンテーションにとって特に困難である。 この課題に対処するために、異なる解剖学的構造にまたがるMRIセグメンテーションのための新しいDLアーキテクチャを提案する。 特に、アーキテクチャはMulti-Resolution Feature Fusion (MRFF)と呼ばれるモジュールを導入し、任意のU-Netのようなアーキテクチャに簡単に統合できる。 MRFFは、エンコード・デコーダ構造の全レベルに統合され、注意機構や接続をスキップして複数の解像度で特徴を抽出し、細かな詳細情報とグローバルな文脈情報の両方を捉えることができる。 MRFFU-Netは,脊髄MRIにおける髄液(CSF)セグメンテーションと左房心筋セグメンテーションの2つのベンチマークMRIデータセットに対して,医用セグメンテーション・デカトロン(MSD)課題から評価した。 実験の結果、MRFFU-Netは複数の評価指標で最先端モデルよりも優れており、MRIセグメンテーションの有効性が示されている。

関連論文リスト

• OmniMRI: A Unified Vision--Language Foundation Model for Generalist MRI Interpretation [5.3427577036717]
  我々は、MRIワークフロー全体にわたって一般化するために設計された統合視覚言語基盤モデルであるOmniMRIを紹介する。 OmniMRIは60のパブリックデータセットからキュレートされた大規模で異質なコーパスで訓練されている。 結果は,単一アーキテクチャ内で多様なタスクを実行できるOmniMRIの能力を示している。
  論文  参考訳（メタデータ） (2025-08-24T21:11:28Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation [0.6597195879147557]
  頸動脈血管壁とプラークのセグメンテーションのためのマルチシーケンスMRIデータを統合するための半教師付き深層学習手法を提案する。 動脈硬化症52例に対し, それぞれ5つのMRIシークエンスを施行した。
  論文  参考訳（メタデータ） (2025-07-10T07:31:31Z)
• Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
  心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。 既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。 学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-24T14:47:54Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
  医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。 MFMSAブロックは空間的特徴抽出の過程を洗練させる。 E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
  論文  参考訳（メタデータ） (2024-05-10T07:34:36Z)
• SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location on MRI [13.912230325828943]
  本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。 提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。 1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
  論文  参考訳（メタデータ） (2024-01-23T18:59:25Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)

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。