論文の概要: Morphology-Aware Channel-Decoupled Mamba Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.40085v2
• Date: Sun, 01 Nov 2026 07:17:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:55:54.981522
• Title: Morphology-Aware Channel-Decoupled Mamba Network for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための形態認識チャネル分離型マンバネットワーク
• Abstract要約: コンピュータ支援診断, 治療計画, 疾患モニタリングにはCTの正確な多臓器分節化が不可欠である。 本稿では,MCDNet(Morphology-Aware Channel-Decoupled Mamba Network)を提案する。 Synapse abdominal CTデータセットの実験では、MCDNetの有効性が示され、多臓器セグメンテーションにおけるDice similarity Coefficientの81.61%が達成された。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License:
• Abstract: Accurate multi-organ segmentation in computed tomography (CT) is essential for computer-aided diagnosis, treatment planning, and disease monitoring. However, substantial variations in organ shape and size, together with low tissue contrast and ambiguous boundaries, complicate the modeling of heterogeneous anatomical structures. To address these challenges, we propose a Morphology-Aware Channel-Decoupled Mamba Network (MCDNet), which integrates adaptive local structural enhancement with channel-decoupled long-range modeling. Specifically, we introduce a Morphology-Aware Channel-Decoupled State-Space (MCSS) block that divides feature channels into separate processing groups, allowing differentiated structural representations to be learned within an efficient state-space framework. Within each group, a Morphology-Aware Enhancement Module (MAEM) combines deformable convolutions with channel attention to adapt local feature extraction to anatomical shape variations. Group-wise state-space modeling then captures long-range spatial dependencies, and channel gating adaptively integrates the resulting features. Experiments on the Synapse abdominal CT dataset demonstrate the effectiveness of MCDNet, achieving an average Dice Similarity Coefficient of 81.61% for multi-organ segmentation.
• Abstract（参考訳）: コンピュータ支援診断, 治療計画, 疾患モニタリングにはCTの正確な多臓器分節化が不可欠である。 しかしながら、臓器の形状や大きさのかなりの変化は、低組織コントラストと曖昧な境界と共に、異種解剖学的構造のモデリングを複雑にしている。 これらの課題に対処するため,MCDNet(Morphology-Aware Channel-Decoupled Mamba Network)を提案する。 具体的には,MCSS(Morphology-Aware Channel-Decoupled State-Space)ブロックを導入した。 各グループ内では、変形可能な畳み込みとチャネルアテンションを組み合わせて、局所的な特徴抽出を解剖学的形状の変化に適応させる。 グループワイドな状態空間モデリングは、長い範囲の空間依存性をキャプチャし、チャネルゲーティングは結果の特徴を適応的に統合する。 Synapse abdominal CTデータセットの実験では、MCDNetの有効性が示され、多臓器セグメンテーションにおけるDice similarity Coefficientの81.61%が達成された。

関連論文リスト

• Geometry-Aware State Space Model: A New Paradigm for Whole-Slide Image Representation [8.483387656208363]
  全スライド画像(WSI)は、組織標本をギガピクセル解像度でデジタル化する。 現在の方法では、パッチ表現を同質ユークリッド空間に暗黙的に埋め込む。 双対幾何学空間にWSI特徴を埋め込むハイブリッド双曲型ユークリッド表現を導入する。
  論文  参考訳（メタデータ） (2026-05-06T17:33:30Z)
• A Semantic Segmentation Algorithm for Pleural Effusion Based on DBIF-AUNet [22.657295396752023]
  胸水セマンティックセグメンテーションは臨床診断と治療の精度とタイムラインを大幅に向上させる可能性がある。 既存の手法は、様々な画像のバリエーションや複雑なエッジに悩まされることが多い。 本稿では,これらの課題に対処するため,Dual-Branch Interactive Fusion Attention Model (DBIF-AUNet)を提案する。
  論文  参考訳（メタデータ） (2025-08-08T10:14:51Z)
• CA-Diff: Collaborative Anatomy Diffusion for Brain Tissue Segmentation [9.51662728609265]
  共同拡散(英語: Collaborative Diffusion、CA-Diff)は、空間解剖学的特徴を統合し、セグメンテーションの精度を高めるフレームワークである。 距離場を補助解剖条件として導入し,グローバルな空間的コンテキストを提供する。 また、距離場と解剖学的構造との関係を洗練するために、一貫性損失を導入する。
  論文  参考訳（メタデータ） (2025-06-28T13:39:09Z)
• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
  医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。 以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T07:51:14Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)

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。