論文の概要: CGDD-Net: Context-Guided Dynamic Detail Modeling for Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2610.05078v1
• Date: Sun, 04 Oct 2026 09:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 23:39:20.951113
• Title: CGDD-Net: Context-Guided Dynamic Detail Modeling for Retinal Vessel Segmentation
• Title（参考訳）: CGDD-Net:網膜血管セグメンテーションのためのコンテキストガイド動的詳細モデリング
• Abstract要約: CGDD-Netは文脈誘導型動的詳細モデリングネットワークである。 適応的特徴抽出を共有デコーダ経路に接続する。 その結果,網膜血管セグメンテーションに有効なパラメータ適合型アーキテクチャとして,詳細な情報提供の共有がサポートされた。
• 参考スコア（独自算出の注目度）: 7.896708717907313
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate retinal vessel segmentation requires features that capture vascular geometry while preserving information for fine-scale reconstruction. We propose CGDD-Net, a context-guided dynamic detail modeling network that connects adaptive feature extraction to a shared decoder pathway. Context-Guided Scale-Adaptive Deformable Encoding (CSDE) combines fixed-grid convolution with deformable local attention to capture vascular patterns at multiple spatial extents. Spatially Adaptive Multi-Kernel Gating (SAMG) selects receptive-field responses at each location. Dynamic Cross-Scale Detail Fusion (DCDF) aligns the gated intermediate features and compresses them into an eight-channel representation, which is reused at three decoder resolutions together with selected encoder skips. This design consolidates intermediate information before decoding instead of transferring each middle-stage feature through a separate direct skip. On DRIVE, CHASE\_DB1, STARE, and HRF, CGDD-Net achieves AUC values of 0.9824, 0.9938, 0.9895, and 0.9874, with F1 scores of 0.8323, 0.8102, 0.8510, and 0.8157, respectively. The complete model contains 1.96 million trainable parameters. In cumulative ablations, the full model improves F1 over the internal baseline by 2.48, 0.61, and 3.49 percentage points on DRIVE, CHASE\_DB1, and STARE. Twelve directed cross-dataset experiments further characterize transfer without target-domain adaptation. The results support shared intermediate detail delivery as an effective, parameter-compact architecture for retinal vessel segmentation. Code is available at \url{https://github.com/lixincheng-xcl/CGDD-Net}.
• Abstract（参考訳）: 正確な網膜血管セグメンテーションは、微細な再建のための情報を保持しながら血管の形状を捉える機能を必要とする。 本稿では,適応的特徴抽出を共有デコーダ経路に接続する文脈誘導動的詳細モデリングネットワークCGDD-Netを提案する。 CSDE(Context-Guided Scale-Adaptive Deformable Encoding)は、固定グリッドの畳み込みと変形可能な局所的注意を組み合わせ、複数の空間的パターンを捕捉する。 SAMG(Spatially Adaptive Multi-Kernel Gating)は、各場所における受容場応答を選択する。 ダイナミッククロススケールディテールフュージョン(DCDF)は、ゲートされた中間特徴を整列して8チャネル表現に圧縮し、選択したエンコーダスキップとともに3デコーダ解像度で再利用する。 この設計はデコードする前に中間情報を集約し、各中間ステージ機能を個別の直接スキップで転送する。 DRIVE、CHASE\_DB1、STARE、HRFでは、CGDD-Netはそれぞれ0.9824、0.9938、0.9895、0.9874、F1スコアは0.8323、0.8102、0.8510、0.8157となる。 完全なモデルには196万のトレーニング可能なパラメータが含まれている。 累積アブレーションでは、完全モデルは内部ベースライン上のF1をDRIVE、CHASE\_DB1、STAREで2.48、0.61、および3.49ポイント改善する。 12方向のクロスデータセット実験は、ターゲットドメイン適応を伴わない転送をさらに特徴付ける。 その結果,網膜血管セグメンテーションに有効なパラメータ適合型アーキテクチャとして,詳細な情報提供の共有が支持された。 コードは \url{https://github.com/lixincheng-xcl/CGDD-Net} で公開されている。

関連論文リスト

• Steer the Sampling, Not the Kernel Grid: Geometry-Guided Sampling Operator for Volumetric Segmentation [9.411407984734854]
  畳み込みカーネルを変形させるのではなく,特徴をどこにサンプリングするかを制御できる幾何誘導型局所演算子を提案する。 各ボクセルでは、これらの方向に沿って対称にサンプルする、局所的な向きと有界なステップサイズを予測する。 ストライド1とストライド2を3D U-Netで置き換えると、BraTS、MSD肝血管、TDSC-ABUSが一貫した改善がなされる。
  論文  参考訳（メタデータ） (2026-08-26T14:01:36Z)
• CDGC-Net: 3D Medical Image Segmentation with Cooperative Dual-Scale Self-Attention and Grouped Channel Modeling [11.11888950065648]
  CDGC-Netは、協調的な2次元空間的注意とグループ化された階層チャネルモデリングを組み合わせた3次元医用画像セグメンテーションネットワークである。 Synapse、ACDC、BraTS、LAのデータセットでは、CDGC-Netはそれぞれ86.96%、92.91%、82.56%、93.52%の平均値を達成した。
  論文  参考訳（メタデータ） (2026-08-09T08:29:46Z)
• SCVCNet: Sliding cross-vector convolution network for cross-task and inter-individual-set EEG-based cognitive workload recognition [15.537230343119875]
  本稿では,脳波パターンを利用した認知作業量認識装置の汎用的手法を提案する。 パワースペクトル密度の微細な周波数構造を解析することにより,脳波のタスクおよび個々のセットに関する干渉を除去するSCVCNetというニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-21T13:06:30Z)
• Unite-Divide-Unite: Joint Boosting Trunk and Structure for High-accuracy Dichotomous Image Segmentation [48.995367430746086]
  Dichotomous Image rendering (DIS) は、自然の風景からカテゴリーに依存しない前景の物体をピンポイントすることを目的としている。 本稿では, トランクと構造同定の有効性を高めるために, 相補的特徴を再構成し, 分割的に配置する, UDUN (Unite-Divide-Unite Network) を提案する。 1024*1024入力を用いて、ResNet-18で65.3fpsのリアルタイム推論を可能にする。
  論文  参考訳（メタデータ） (2023-07-26T09:04:35Z)
• CalibNet: Dual-branch Cross-modal Calibration for RGB-D Salient Instance Segmentation [88.50067783122559]
  CalibNetは3つの単純なモジュール、動的インタラクティブカーネル(DIK)と重量共有融合(WSF)で構成されている。 実験の結果、CalibNetは、COME15K-Nテストセット上で320*480の入力サイズを持つ58.0% APという有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-16T16:49:59Z)
• DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
  本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。 本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-01-15T09:31:58Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
  本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。 我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
  論文  参考訳（メタデータ） (2022-02-28T11:12:16Z)
• LGENet: Local and Global Encoder Network for Semantic Segmentation of Airborne Laser Scanning Point Clouds [17.840158282335874]
  我々はALS点雲のセマンティックセグメンテーションのためのローカルおよびグローバルエンコーダネットワーク(LGENet)を提案する。 ISPRSベンチマークデータセットでは、このモデルは0.845の全体的な精度と平均0.737のF1スコアで最新の結果を達成します。
  論文  参考訳（メタデータ） (2020-12-18T12:26:53Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。