論文の概要: Meta Segmentation Network for Ultra-Resolution Medical Images

• arxiv url: http://arxiv.org/abs/2002.08043v1
• Date: Wed, 19 Feb 2020 08:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 14:01:51.393682
• Title: Meta Segmentation Network for Ultra-Resolution Medical Images
• Title（参考訳）: 超解像医用画像のためのメタセグメンテーションネットワーク
• Authors: Tong Wu, Yuan Xie, Yanyun Qu, Bicheng Dai, Shuxin Chen
• Abstract要約: 本稿では,この課題を解決するためにMeta Network (MSN)を提案する。 メタラーニングの助けを借りて、MSNの融合モジュールは非常に単純だが効果的である。 MSNは最先端の手法と比較して最高の性能を達成する。
• 参考スコア（独自算出の注目度）: 40.46779742417889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent progress on semantic segmentation, there still exist huge challenges in medical ultra-resolution image segmentation. The methods based on multi-branch structure can make a good balance between computational burdens and segmentation accuracy. However, the fusion structure in these methods require to be designed elaborately to achieve desirable result, which leads to model redundancy. In this paper, we propose Meta Segmentation Network (MSN) to solve this challenging problem. With the help of meta-learning, the fusion module of MSN is quite simple but effective. MSN can fast generate the weights of fusion layers through a simple meta-learner, requiring only a few training samples and epochs to converge. In addition, to avoid learning all branches from scratch, we further introduce a particular weight sharing mechanism to realize a fast knowledge adaptation and share the weights among multiple branches, resulting in the performance improvement and significant parameters reduction. The experimental results on two challenging ultra-resolution medical datasets BACH and ISIC show that MSN achieves the best performance compared with the state-of-the-art methods.
• Abstract（参考訳）: セマンティックセグメンテーションの最近の進歩にもかかわらず、医療用超解像セグメンテーションには大きな課題がある。 マルチブランチ構造に基づく手法は,計算負荷とセグメンテーション精度のバランスが良好である。 しかし、これらの方法の融合構造は望ましい結果を達成するために精巧に設計する必要があるため、モデル冗長性に繋がる。 本稿では,この課題を解決するためにメタセグメンテーションネットワーク(MSN)を提案する。 メタ学習の助けを借りて、MSNの融合モジュールは非常に単純だが効果的である。 msnは単純なメタリーナーを通じて融合層の重みを高速に生成でき、わずかなトレーニングサンプルとエポックだけを収束させる必要がある。 さらに,全ての枝をスクラッチから学習するのを避けるため,より高速な知識適応を実現し,複数の枝間で重みを共有するための,特定の重み共有機構を導入し,性能改善と重要なパラメータ低減を実現した。 超高分解能な医療データセットBACHとISICの2つの実験結果から,MSNは最先端の手法と比較して最高の性能を示した。

関連論文リスト

• Edge-Enhanced Dilated Residual Attention Network for Multimodal Medical Image Fusion [13.029564509505676]
  マルチモーダル・メディカル・イメージ・フュージョン(Multimodal Medical Image fusion)は、様々な画像モダリティからの相補的な情報を統一的な表現に結合する重要なタスクである。 深層学習手法は融合性能が著しく向上しているが、既存のCNNベースの手法では、微細なマルチスケールとエッジの特徴を捉えるには不十分である。 マルチスケール機能抽出のためのDilated Residual Attention Network Moduleを導入することで,これらの制約に対処する新しいCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-18T18:11:53Z)
• Lagrange Duality and Compound Multi-Attention Transformer for Semi-Supervised Medical Image Segmentation [27.758157788769253]
  半教師付き学習における総合的な学習目標として,境界認識型コントラスト損失と統合されたラグランジュ二重性損失(LDC)を提案する。 また、ResUNetとTransformerの強みを相乗化する新しいネットワークであるCMAformerを紹介する。 以上の結果から,CMAformerは機能融合フレームワークと新たな一貫性の喪失と相まって,半教師付き学習アンサンブルにおいて強い相補性を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-12T06:52:46Z)
• 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)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Equivariant Multi-Modality Image Fusion [124.11300001864579]
  エンドツーエンドの自己教師型学習のための同変多モードImAge融合パラダイムを提案する。 我々のアプローチは、自然画像応答が特定の変換に等しくなるという以前の知識に根ざしている。 実験により、EMMAは赤外線可視画像と医用画像に高品質な融合結果をもたらすことが確認された。
  論文  参考訳（メタデータ） (2023-05-19T05:50:24Z)
• FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For Medical Imaging Segmentation [1.3812010983144802]
  方程式の線形系をCNNに解くための幾何学的多重グリッド法の原理を取り入れた2つのアーキテクチャを提案する。 腫瘍サブコンポーネントセグメンテーションの精度とトレーニング効率に関して,-Net と W-Net はともに,広く使用されているU-Net アーキテクチャよりも優れていることを示す。 これらの知見は, 医用画像分割の精度と効率を向上させるために, マルチグリッド法をCNNに導入する可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-04-05T20:03:08Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• A Multi-View Dynamic Fusion Framework: How to Improve the Multimodal Brain Tumor Segmentation from Multi-Views? [5.793853101758628]
  本稿では,脳腫瘍セグメンテーションの性能向上を目的としたマルチビューダイナミックフュージョンフレームワークを提案する。 BRATS 2015とBRATS 2018で提案されたフレームワークを評価することで、マルチビューからの融合結果が単一ビューからのセグメンテーション結果よりも優れたパフォーマンスを達成できることが分かります。
  論文  参考訳（メタデータ） (2020-12-21T09:45:23Z)
• Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
  画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。 我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。 我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-22T14:32:04Z)

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。