論文の概要: Parameter-Efficient Multimodal Brain Tumor Segmentation With Stage-Wise Shared Adapters

• arxiv url: http://arxiv.org/abs/2610.18571v1
• Date: Tue, 13 Oct 2026 15:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:36:34.484771
• Title: Parameter-Efficient Multimodal Brain Tumor Segmentation With Stage-Wise Shared Adapters
• Title（参考訳）: Stage-Wise Shared Adapter を用いたパラメータ効率の良いマルチモーダル脳腫瘍切除
• Abstract要約: そこで,Block-Wise Shared Adapter (BWSA)を提案する。 BWSAは、固定された形式で、元のフィーチャに適応した機能を追加する。 その訓練可能なゲート変種(TG-BWSA)は、代わりに、各モダリティおよびエンコーダの段階で、元の特徴と適応された特徴の異なる重みを学習する。
• 参考スコア（独自算出の注目度）: 16.7827118390351
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Different MRI modalities reveal different parts of a brain tumor. Segmentation models combine information from these modalities to outline tumor regions. Many models use a separate encoder for each modality. However, exchanging features among these encoders at several stages can increase model complexity. We introduce the Block-Wise Shared Adapter (BWSA), which combines compressed features from the modality encoders in a shared path and returns adapted features to each stream. In its fixed-blending form, BWSA adds the adapted features to the original features. Its trainable-gated variant (TG-BWSA) instead learns separate weights for the original and adapted features at each modality and encoder stage. We evaluate both variants on BraTS 2020 and BraTS 2023 with four segmentation backbones. On the official BraTS 2023 online validation set, BWSA increases average region-wise Dice by 1.3--7.6 percentage points relative to the corresponding unmodified backbones. TG-BWSA increases it by 2.8--7.7 points. Both variants add approximately 0.85--3.73% parameters and reduce average HD95 relative to the unmodified backbones.
• Abstract（参考訳）: 異なるMRIでは、脳腫瘍の異なる部位が示される。 セグメンテーションモデルはこれらのモダリティからの情報を組み合わせて腫瘍領域を概説する。 多くのモデルはそれぞれのモダリティに別々のエンコーダを使用する。 しかし、これらのエンコーダ間でいくつかの段階で機能を交換することで、モデルの複雑さが増大する可能性がある。 我々はBlock-Wise Shared Adapter (BWSA)を導入し、共有経路におけるモダリティエンコーダから圧縮された特徴を合成し、各ストリームに適応した特徴を返却する。 BWSAは、固定された形式で、元のフィーチャに適応した機能を追加する。 その訓練可能なゲート変種(TG-BWSA)は、代わりに、各モダリティおよびエンコーダの段階で、元の特徴と適応された特徴の異なる重みを学習する。 我々はBraTS 2020とBraTS 2023の2つのバリエーションを4つのセグメンテーションバックボーンで評価した。 公式のBraTS 2023オンライン検証セットでは、BWSAは、修正されていないバックボーンに対して、平均的なリージョンワイドDiceを1.3～7.6ポイント増加させる。 TG-BWSA は約 0.85--3.73% のパラメータを追加し、修正されていないバックボーンに対する平均 HD95 を減少させる。

関連論文リスト

• Multi-Stage Prompt-Guided Feature Modulation for Generalizable Brain Tumor Segmentation [0.0]
  Multi-Stage Dynamic Prompt nnU-Net は nnU-Net のプロンプト条件拡張である。 各モジュールは10個の256次元プロンプトベクトルの学習可能なバンクを含む。 提案モデルは,平均病変度スコア76.16%(ET),80.04%(TC),86.42%(WT)を達成した。
  論文  参考訳（メタデータ） (2026-08-24T18:31:13Z)
• 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)
• Hyper-Connections for Adaptive Multi-Modal MRI Brain Tumor Segmentation [0.0]
  容積多モード脳腫瘍分節に対する Hyper-Connection (HC) の第1報を報告する。 Dynamic HCはBraTS 2021データセットのすべての3Dモデルを一貫して改善する。 HCは、医用画像セグメンテーションにおけるマルチモーダル特徴融合のための、シンプルで効率的で広く適用可能なメカニズムである。
  論文  参考訳（メタデータ） (2026-03-20T10:44:58Z)
• MMRINet: Efficient Mamba-Based Segmentation with Dual-Path Refinement for Low-Resource MRI Analysis [2.6992900249585765]
  MMRINetは、二次複雑度注意を線形複雑度Mamba状態空間モデルに置き換える軽量アーキテクチャである。 on the BraTS-Lighthouse SSA 2025, our model to strong volumetric performance with a average Dice score (0.752) and a average HD95 of (12.23) with only 2.5M parameters。
  論文  参考訳（メタデータ） (2025-11-15T12:57:25Z)
• 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)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• Adapter-X: A Novel General Parameter-Efficient Fine-Tuning Framework for Vision [52.80792724919329]
  本稿では,2次元画像と3次元点雲の微調整を改善するためのAdapter-Xという新しいフレームワークを提案する。 2D画像と3Dポイントの雲のモードで完全な微調整をし、パラメータが大幅に少ない、すなわち2Dと3Dの分類タスクにおいて、オリジナルのトレーニング可能なパラメータのわずか0.20%と1.88%で、初めて性能を上回った。
  論文  参考訳（メタデータ） (2024-06-05T08:26:44Z)
• Combining CNNs With Transformer for Multimodal 3D MRI Brain Tumor Segmentation With Self-Supervised Pretraining [0.0]
  改良されたTransBTSとnnU-Netのアンサンブルと、BraTS 2021チャレンジのセグメンテーションタスクの組合せを適用する。 アンサンブルは0.8496, 0.8698, 0.9256ディススコア、15.72, 11.057, 3.374 HD95を達成し、腫瘍、腫瘍コア、腫瘍全体を増強する。
  論文  参考訳（メタデータ） (2021-10-15T08:03:27Z)

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。