論文の概要: ME^2FDiff: Multiscale Expert Enhancing Feature Diffusion in Residual Network for Brain Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2611.05766v1
- Date: Wed, 04 Nov 2026 00:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.906737
- Title: ME^2FDiff: Multiscale Expert Enhancing Feature Diffusion in Residual Network for Brain Tumor Segmentation
- Title(参考訳): ME^2FDiff:脳腫瘍切除のための残像ネットワークにおける特徴拡散を促進するマルチスケールエキスパート
- Abstract要約: MRIによる治療後グリオーマの自動分画は,正確な診断と治療計画に不可欠である。
現代のセグメンテーションアーキテクチャは2つの制限で精度が高い。
本稿では,その両方に対処する単一モデルアーキテクチャであるME2FDiffを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated segmentation of post-treatment glioma from MRI is essential for accurate diagnosis and treatment planning, yet remains difficult. Surgery and chemoradiotherapy cause structural changes in brain like resection cavities, edema, and fibrosis, that alter imaging appearance and mimic tumor recurrence. Contemporary segmentation architectures attain high accuracy with two limitations. First, the bottleneck originates from the deepest encoder stage, so one representation must serve sub-regions that differ widely in size and appearance. Second, they produce the segmentation in a single forward pass with no mechanism for refinement. We propose ME^2FDiff, a single-model architecture, addressing both. An attention-conditioned spectral diffusion block refines the bottleneck. It uses the image-conditioned latent diffusion process with two processes: a spatial pre-attention gate and a spectral fusion block whose timestep-adaptive bandpass filter selects the informative frequency band at each noise level. A multiscale expert-enhanced feature block fuses the intermediate encoder scales into the bottleneck through expert-selected shared tokens, guaranteeing balanced utilization without an auxiliary loss. On the BraTS 2024 post-treatment glioma dataset, ME^2FDiff achieves the best results on every tumor sub-region among all single-model baselines (91.23% Dice, 84.52% IOU, 2.13 mm HD95 on whole-tumor) and surpasses a three-expert ensemble on both overlap metrics at roughly one-third of its inference cost. Against recent state-of-the-art methods retrained under identical conditions, it maintains the strongest performance with the fewest parameters of any competing model. These findings demonstrate that a single, compact network can absorb the specialization, usually sought through ensembling or larger architectures.
- Abstract(参考訳): MRIによる治療後グリオーマの自動分画は, 正確な診断と治療計画に不可欠であるが, 依然として困難である。
外科と放射線療法は、切除腔、浮腫、線維症などの脳の構造変化を引き起こし、画像の外観を変え、腫瘍の再発を模倣する。
現代のセグメンテーションアーキテクチャは、2つの制限で高い精度を実現している。
第一に、ボトルネックは最も深いエンコーダ段階に由来するため、一つの表現はサイズと外観で大きく異なるサブリージョンを提供する必要がある。
第二に、1つの前方通過のセグメンテーションを、精製の機構のない形で生成する。
本稿では,単一モデルアーキテクチャであるME^2FDiffを提案する。
注意条件付きスペクトル拡散ブロックはボトルネックを洗練させる。
位相適応帯域通過フィルタがノイズレベル毎に情報周波数帯域を選択する空間前置ゲートとスペクトル融合ブロックの2つの工程で画像条件付き潜時拡散プロセスを使用する。
マルチスケールのエキスパート強化機能ブロックは、専門家選択された共有トークンを通じて中間エンコーダをボトルネックに拡張し、補助的な損失なしにバランスの取れた利用を保証する。
BraTS 2024 後のグリオーマデータセットでは、ME^2FDiff は全ての単一モデルベースライン (91.23% Dice, 84.52% IOU, 2.13 mm HD95 on whole-tumor) の全ての腫瘍サブリージョンで最高の結果を達成し、その推論コストのおよそ3分の1で重なり合う測定値の3倍の精度のアンサンブルを達成している。
最近の最先端の手法が同じ条件で再訓練されているのに対して、競合するモデルの最も少ないパラメータで最強のパフォーマンスを維持している。
これらの結果は、単一でコンパクトなネットワークが、通常、アンサンブルやより大きなアーキテクチャを通して、特殊化を吸収できることを示している。
関連論文リスト
- Anchor-driven Multi-modal Multi-scale Expert Selection for Survival Prediction [88.75611734671661]
生存予測のためのアンカー駆動型マルチモーダル・マルチスケールエキスパート選択(AM$2$ES)フレームワークを提案する。
具体的には,Anchor-driven Multi-modal Fusion (AMF)モジュールについて述べる。
この整列したセマンティック空間に基づいて、階層的確率的選択プロセスを切り離すために階層的混合(H-MoE)選択モジュールを更に設計する。
論文 参考訳(メタデータ) (2026-10-06T03:32:37Z) - MIRAGE: Multi-scale Lesion-Informed Representation with Auxiliary Guidance for MRI Contrast Enhancement [7.375452467540828]
我々は,大域的再建と知覚的損失を3種類の病変認識監視と組み合わせた残存2次元U-NetであるMIRAGEを紹介する。
マルチ中心MAMA-SYNTHデータから, 8つの補完画像, 領域, 放射能, セグメンテーションに基づく測定値を用いて, 301症例について評価を行った。
論文 参考訳(メタデータ) (2026-07-21T14:26:59Z) - 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) - Uni-Encoder Meets Multi-Encoders: Representation Before Fusion for Brain Tumor Segmentation with Missing Modalities [15.253982306329393]
脳腫瘍の分節化のための2段階ヘテロジニアス法であるUniMEを提案する。
UniMEは、微細な構造キャプチャー、クロスモーダルな相補性モデリング、利用可能なモダリティの活用の間のトレードオフを精査する。
BraTS 2023 と BraTS 2024 の実験では、UniME は不完全なマルチモーダルシナリオ下で従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2026-04-24T03:02:26Z) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳(メタデータ) (2026-03-10T05:45:12Z) - Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。
MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文 参考訳(メタデータ) (2026-01-29T13:05:46Z) - 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) - Unified Multimodal Coherent Field: Synchronous Semantic-Spatial-Vision Fusion for Brain Tumor Segmentation [13.108816349958659]
脳腫瘍セグメント化のための統一多モードコヒーレントフィールド(UMCF)法を提案する。
統合された3次元空間内の視覚情報,意味情報,空間情報の同期的融合を実現する。
Brain tumor (BraTS) データセットでは、UMCF+Unn-Net がそれぞれ 0.8579 と 0.8977 の Dice を達成する。
論文 参考訳(メタデータ) (2025-09-22T08:45:39Z) - M3AE: Multimodal Representation Learning for Brain Tumor Segmentation
with Missing Modalities [29.455215925816187]
マルチモーダルMRI(Multimodal magnetic resonance imaging)は、脳腫瘍のサブリージョン解析に補完的な情報を提供する。
画像の破損、アーティファクト、取得プロトコル、コントラストエージェントへのアレルギー、あるいは単にコストによって1つ以上のモダリティが欠落することが一般的である。
そこで本研究では,脳腫瘍切除のための新しい2段階の枠組みを提案する。
論文 参考訳(メタデータ) (2023-03-09T14:54:30Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z)
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。