論文の概要: Progressive multi-scale tumor-state memory for incomplete multimodal brain tumor segmentation

• arxiv url: http://arxiv.org/abs/2610.26457v1
• Date: Mon, 19 Oct 2026 14:11:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:30:53.655366
• Title: Progressive multi-scale tumor-state memory for incomplete multimodal brain tumor segmentation
• Title（参考訳）: 不完全なマルチモーダル脳腫瘍セグメンテーションのためのプログレッシブ・マルチスケール・ステートメモリ
• Abstract要約: 本稿では,T1ce,T1,FLAIR,T2の任意の空でないサブセットからのセグメンテーションのための,プログレッシブマルチスケールメモリネットワーク(PMTM)を提案する。 PMTMはエンコーダの段階を越えて、現在の対象に対してコンパクトな状態を維持する。 我々は, PMTM を BraTS2018, BraTS2020, BraTS2023 GLI で評価した。
• 参考スコア（独自算出の注目度）: 3.734145313091892
• License:
• Abstract: Brain tumor segmentation uses complementary magnetic resonance imaging (MRI) sequences, but some sequences may be unavailable in practice. Their absence changes the information available for segmenting different tumor regions. Fusion methods can support different input subsets. However, fusion at several scales does not by itself specify how tumor evidence is retained and updated to guide fusion at later stages. We propose a progressive multi-scale tumor-state memory network (PMTM) for segmentation from any non-empty subset of T1ce, T1, FLAIR, and T2. PMTM maintains a compact state for the current subject across the encoder stages. At each stage, we use assignment maps to pool spatial features into ordered evidence vectors for each available modality. We average these vectors across the available modalities, and a learned gate combines this evidence with the previous state. The up- dated state guides residual fusion at that stage and is used in the state update at the next stage. A modality-token mixer also models interactions among the available modalities at each stage. We apply semantic supervision to the assignment maps at all four stages. We evaluate PMTM on BraTS2018, BraTS2020, and BraTS2023 GLI across all 15 non-empty modality subsets. Averaged over the three tumor regions and the 15 subsets, PMTM achieves Dice scores of 75.31%, 77.54%, and 80.47% on BraTS2018, BraTS2020, and BraTS2023 GLI, respectively. These scores are higher than those of RobustSeg, RFNet, and mmFormer in our experiments on each dataset. Component ablations and internal state analysis are performed on BraTS2020.
• Abstract（参考訳）: 脳腫瘍のセグメンテーションは相補的磁気共鳴画像(MRI)配列を用いるが、実際にはいくつかのシーケンスは利用できない可能性がある。 彼らの欠如は、異なる腫瘍領域をセグメント化するために利用可能な情報を変化させる。 Fusionメソッドは、異なる入力サブセットをサポートすることができる。 しかし、いくつかのスケールでの核融合はそれ自体が腫瘍の証拠がどのように維持され、後段の核融合を導くように更新されるかを示すものではない。 本稿では,T1ce,T1,FLAIR,T2の任意の空でないサブセットからのセグメンテーションのための,プログレッシブマルチスケールメモリネットワーク(PMTM)を提案する。 PMTMはエンコーダの段階を越えて、現在の対象に対してコンパクトな状態を維持する。 それぞれの段階において、割り当てマップを用いて空間的特徴を、利用可能な各モダリティの順序付きエビデンスベクトルにプールする。 我々はこれらのベクトルを利用可能なモダリティにわたって平均化し、学習ゲートはこの証拠を前の状態と組み合わせる。 最新状態は、その段階で残留核融合を誘導し、次の段階で状態更新で使用される。 モダリティ・トケン・ミキサーは、各段階で利用可能なモダリティ間の相互作用をモデル化する。 全4段階の割当て地図に意味的監督を適用した。 我々は, PMTM を BraTS2018, BraTS2020, BraTS2023 GLI で評価した。 3つの腫瘍領域と15のサブセットで平均されたPMTMは、それぞれBraTS2018、BraTS2020、BraTS2023 GLIにおいて75.31%、77.54%、80.47%のDiceスコアを達成している。 これらのスコアは、各データセットの実験において、RobustSeg、RFNet、mmFormerよりも高い。 コンポーネントの短縮と内部状態解析はBraTS2020上で実行される。

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)
• 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)
• Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
  本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
  論文  参考訳（メタデータ） (2024-12-05T12:00:00Z)
• Decoupling Feature Representations of Ego and Other Modalities for Incomplete Multi-modal Brain Tumor Segmentation [44.03751425551935]
  我々は、エゴや他のモダリティを表現するタスクをデカップリングすることで、モダリティ適応を強化するためにDeMoSegを提案する。 最初の部分空間は自身を表現し(Self-feature)、残りの部分空間は他のモダリティを代用する(Mutual-features)。 DeMoSegは、他の最先端と比較して、腫瘍全体、腫瘍コア、強化腫瘍領域において、Diceを少なくとも0.92%、2.95%、および4.95%増加させる。
  論文  参考訳（メタデータ） (2024-08-16T12:43:11Z)
• 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)
• Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation [2.324913904215885]
  アーキテクチャは、3つのDeep Layer Aggregationニューラルネットワークからなるカスケードで構成されており、各ステージは、機能マップと前のステージの確率を使用して応答を詳細化する。 神経画像データは、一般公開されたBrain Tumor (BraTS) 2020チャレンジデータセットの一部です。 実験では, 腫瘍, コア腫瘍, 造影腫瘍全例に対して, 0.8858, 0.8297, 0.7900, ハウスドルフ距離 5.32 mm, 22.32 mm, 20.44 mmのdiceスコアを得た。
  論文  参考訳（メタデータ） (2021-01-02T17:59:30Z)
• 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)
• 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。