論文の概要: BGD-SF PolySegNet: boundary-guided dynamic selective fusion network for robust polyp segmentation in colonoscopy images
- arxiv url: http://arxiv.org/abs/2611.02603v1
- Date: Mon, 02 Nov 2026 06:26:59 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:33:49.474356
- Title: BGD-SF PolySegNet: boundary-guided dynamic selective fusion network for robust polyp segmentation in colonoscopy images
- Title（参考訳）: BGD-SF PolySegNet: 大腸内視鏡像におけるロバストポリプセグメンテーションのための境界誘導動的選択核融合ネットワーク
- Abstract要約: 本稿では,境界誘導型エンコーダデコーダアーキテクチャであるBGD-SF PolySegNetについて述べる。
このモデルは、Kvasir-SEG、BKAI-IGH NeoPolyp-Small、PolypGenの3,535の注釈付き画像に基づいて訓練されている。
内部テストセットでは、BGD-SFが0.887、IoUが0.839、マスク由来境界F1が0.531、HD95が30.32、ASSDが18.10、境界F1、HD95、ASSDが改良された。
- 参考スコア（独自算出の注目度）: 1.5984927623688916
- License:
- Abstract: Effective polyp segmentation in colonoscopy images is crucial for early detection of colorectal cancer, a leading cause of cancer-related death worldwide. While current deep learning models perform well on traditional Dice benchmarks, border segmentation remains difficult. Most methods use boundary information only as an additional loss signal during training, which prevents the network from explicitly learning border-guided feature selection or mask refinement. This paper introduces BGD-SF PolySegNet, a boundary-guided encoder-decoder architecture that controls three phases of the segmentation pipeline: dynamic multi-scale context aggregation, selective skip-feature fusion, and final mask refinement. The architecture comprises a pretrained EfficientNet-B4 backbone and three proposed modules: Boundary-Guided Dynamic Cascaded Multi-Scale Context Aggregation (BGD-CMSCA), Boundary-Guided Selective Attention Fusion (BG-SAGF), and a Multi-Level Boundary Guidance Head (MBGH). The model is trained on 3,535 annotated images from Kvasir-SEG, BKAI-IGH NeoPolyp-Small, and PolypGen, and evaluated on four held-out benchmark datasets. On the internal test set, BGD-SF achieves a Dice of 0.887, IoU of 0.839, mask-derived Boundary F1 of 0.531, HD95 of 30.32, and ASSD of 18.10, improving Boundary F1, HD95, and ASSD by 15.7%, 27.5%, and 34.6% over the strongest CNN baselines. External validation on CVC-ClinicDB, CVC-ColonDB, ETIS-Larib, and CVC-300 yielded Dice scores of 0.891, 0.776, 0.863, and 0.885, respectively. The model runs at 35 FPS with 22.51M parameters. Wilcoxon signed-rank tests confirm statistically significant mask-derived Boundary F1 improvements over six of seven ablation variants (p < 0.001; small-to-moderate effect sizes, r = 0.215-0.434), demonstrating that integrating boundary guidance as an active architectural component measurably advances polyp boundary delineation.
- Abstract（参考訳）: 大腸癌の早期発見には, 大腸内視鏡像のポリープ分画が不可欠である。
現在のディープラーニングモデルは従来のDiceベンチマークでよく機能するが、境界セグメンテーションは難しいままである。
ほとんどの方法は、トレーニング中に追加の損失信号としてのみ境界情報を使用するため、ネットワークが境界誘導特徴選択やマスク改善を明示的に学習することができない。
本稿では,境界誘導型エンコーダデコーダアーキテクチャであるBGD-SF PolySegNetを紹介する。
アーキテクチャは、事前訓練されたEfficientNet-B4バックボーンと、BGD-CMSCA(Bundary-Guided Dynamic Cascaded Multi-Scale Context Aggregation)、BG-SAGF(Bundary-Guided Selective Attention Fusion)、MBGH(Multiple-Level Boundary Guidance Head)の3つのモジュールから構成される。
このモデルは、Kvasir-SEG、BKAI-IGH NeoPolyp-Small、PolypGenの3,535の注釈付き画像に基づいてトレーニングされ、4つのベンチマークデータセットで評価される。
内部テストセットでは、BGD-SFが0.887、IoUが0.839、マスク由来境界F1が0.531、HD95が30.32、ASSDが18.10、境界F1、HD95、ASSDが15.7%、27.5%、34.6%向上した。
CVC-ClinicDB, CVC-ColonDB, ETIS-Larib, CVC-300の外部検証では, それぞれ0.891, 0.776, 0.863, 0.885のDiceスコアが得られた。
このモデルは22.51Mパラメータを持つ35 FPSで動作する。
ウィルコクソンのサインランク試験では、7つのアブレーション変種のうち6つ(p < 0.001; 小型からモデレート効果サイズ r = 0.215-0.434)に対して、統計的に有意なマスク由来境界F1の改善が確認され、境界ガイダンスをアクティブなアーキテクチャ成分として統合することで、ポリプ境界線が確実に進行することを示した。
関連論文リスト
- Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。
入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
論文 参考訳（メタデータ） (2026-09-18T11:08:02Z) - A Multidimensional Data-Driven Hybrid Transformer Framework for Non-invasive Continuous Blood Pressure Prediction [28.58502100288247]
本稿では,ECG/III特徴系列から拡張型および収縮型BPを推定するハイブリッドトランスフォーマーフレームワークを提案する。
このフレームワークは、生の波形ではなく、生理的記述子の10段階のシーケンスと、2つの人口統計学的コをモデル化する。
論文 参考訳（メタデータ） (2026-08-24T14:02:10Z) - Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。
本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
論文 参考訳（メタデータ） (2026-06-02T12:32:43Z) - PBE-UNet: A light weight Progressive Boundary-Enhanced U-Net with Scale-Aware Aggregation for Ultrasound Image Segmentation [30.298073210760577]
超音波画像における病変分割のためのプログレッシブ境界拡張U-Net(PBE-UNet)を提案する。
狭い境界と広いセグメンテーション誤差領域の間には大きなギャップがあることが分かる。
提案するPBE-UNetは,最先端の超音波画像分割法より優れている。
論文 参考訳（メタデータ） (2026-04-15T12:31:20Z) - LGPS: A Lightweight GAN-Based Approach for Polyp Segmentation in Colonoscopy Images [40.19053450600923]
ポリプセグメンテーションのための軽量なGANベースのフレームワークであるLGPSを提案する。
1) 改良された残留ブロックで強化されたMobileNetV2バックボーンと、効率的な特徴抽出のためのSqueeze-and-Excitationモジュールである。
最大かつ挑戦的なPolypGenテストデータセットでは、LGPSはDiceの0.7299とIoUの0.7867を達成し、全てのSOTAワークを上回り、堅牢な一般化を実証した。
論文 参考訳（メタデータ） (2025-03-24T02:41:53Z) - Multi-scale and Multi-path Cascaded Convolutional Network for Semantic Segmentation of Colorectal Polyps [0.0]
本研究は,Multi-Scale and Multi-Path Cascaded Convolution Network (MMCC-Net) という,大腸ポリープセグメンテーションのための新しいフレームワークを提案する。
MMCC-Netは、マルチスケールおよびマルチパスのカスケード畳み込み技術を統合し、デュアルアテンションモジュール、スキップ接続、フィーチャエンハンサーを通じてフィーチャアグリゲーションを強化する。
提案したMMCC-Netは6つの公開データセットでテストされ、ポリプセグメンテーションの効率を示すために8つのSOTAモデルと比較された。
論文 参考訳（メタデータ） (2024-12-03T13:27:51Z) - Polyper: Boundary Sensitive Polyp Segmentation [32.00049708774388]
ポリープセグメンテーションのための新しいバウンダリセンシティブなフレームワークであるPolyperを提案する。
本手法は, インテリアポリープ領域の特徴を生かして, ぼやけた境界に対処する, 調味料を処方する臨床アプローチによるものである。
Polyperの有効性を評価するため、5つの公開可能な挑戦的データセットで実験を行い、それらすべてに対して最先端のパフォーマンスを受信する。
論文 参考訳（メタデータ） (2023-12-14T08:27:00Z) - MEGANet: Multi-Scale Edge-Guided Attention Network for Weak Boundary
Polyp Segmentation [11.190960453535542]
医療における効率的なポリープセグメンテーションは、早期に大腸癌を診断する上で重要な役割を担っている。
大腸内視鏡画像中のポリプセグメンテーションに適したマルチスケールエッジガイド注意ネットワーク(MEGANet)を提案する。
MEGANetはエンドツーエンドのフレームワークとして設計されており、エンコーダ、デコーダ、エッジガイドアテンションモジュール(EGA)という3つの主要なモジュールを含んでいる。
論文 参考訳（メタデータ） (2023-09-06T19:19:12Z) - Pyramid Fusion Transformer for Semantic Segmentation [44.57867861592341]
マルチスケール特徴量を持つマスク毎のセマンティックセマンティックセグメンテーションのためのトランスフォーマベースピラミッドフュージョントランス (PFT) を提案する。
広く使われている3つのセマンティックセグメンテーションデータセット上での競合性能を実現する。
論文 参考訳（メタデータ） (2022-01-11T16:09:25Z) - SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid
pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。
提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
論文 参考訳（メタデータ） (2021-03-11T02:32:59Z)
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。