[jyyang] DVCTNet / GLM-SFNet / GEPAR3D

DVCTNet: Dual-View Co-Training Network

( 논문 링크 )https://papers.miccai.org/miccai-2025/paper/0146_paper.pdf

( github 링크 )https://github.com/ShanghaiTech-IMPACT/DVCTNet

GitHub - ShanghaiTech-IMPACT/DVCTNet: [MICCAI 2025] Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Trai

(4) Dual-view Fusion 부분

Attention

• Dual-view Attention: Global View와 Local View 간의 특징을 교차 비교하여 상관관계 분석.
• Local의 미세 병변 정보와 Global의 치아 배열 문맥 중, 서로 연관성이 높은 핵심 특징을 상호 강조.

(단순 결합 전, 두 관점의 정보를 진단 목적에 맞게 정렬함)

Gating

• 가중치 산출: 병변의 크기나 형태에 따라 Global과 Local 정보의 중요도를 0~1 사이의 값으로 동적 계산.
• 상황별 최적화: 문맥 파악이 중요할 땐 Global 비중을, 미세 패턴이 중요할 땐 Local 비중을 조절하여 융합

(고정된 비율이 아닌, 데이터 특성에 맞춘 유연한 대처 가능.)

Residual

• Residual Connection: 융합된 정보에 원본 Global Feature를 다시 한번 더해줌.

(융합 과정에서 희석될 수 있는 전체 치열의 Global Context를 보존.)

 

---

GLM-SFNet: Global-Local Vision-Mamba with Semantic Fusion for Medical Image Segmentation

( 논문 링크 ) https://papers.miccai.org/miccai-2025/0378-Paper2666.html

GLM-SFNet: Global-Local Vision-Mamba with Semantic Fusion for Medical Image Segmentation

(a) Encoder: 다중 스케일 특징 추출 (4단계 구조)

(b) SFD (Semantic Fusion Decoder): 단계별 맞춤형 복원

• LCF (Local Cross-scale Fusion): 얕은 단계(베이지색)에서 사용하며, 미세한 경계선이나 질감 같은 공간적 디테일을 복원
• GCF (Global Cross-scale Fusion): 깊은 단계(보라색)에서 사용하며, 전체적인 의미(Semantic)를 맞추는 데 집중

(c)LGVSS

• (SSM-4D): Mamba 엔진이 4방향으로 이미지를 스캔, 멀리 떨어진 픽셀 간의 관계를 학습
• (LDC):Learnable Descriptive Convolution이 미세한 질감 정보 처리
• (Skip Connection): 정보 소실을 막기 위함

(d) SSM-4D

• 상/하/좌/우 4가지 방향으로 데이터스캔

---

GEPAR3D

( 논문 링크 ) https://papers.miccai.org/miccai-2025/0375-Paper1833.html

GEPAR3D: Geometry Prior-Assisted Learning for 3D Tooth Segmentation

(C) Geometry Prior-Assisted Multiclass Segmentation

>>> 치아의 기하학적 구조 사전주입