論文の概要: Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent
Decision Fusion for Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2002.08694v1
- Date: Thu, 20 Feb 2020 12:00:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 07:54:20.059790
- Title: Bi-directional Dermoscopic Feature Learning and Multi-scale Consistent
Decision Fusion for Skin Lesion Segmentation
- Title（参考訳）: 皮膚病変分類のための双方向皮膚内視鏡的特徴学習とマルチスケール一貫性決定融合
- Authors: Xiaohong Wang, Xudong Jiang, Henghui Ding, and Jun Liu
- Abstract要約: 本稿では,皮膚病変と情報的文脈との複雑な相関をモデル化する,新しい双方向皮膚機能学習(biDFL)フレームワークを提案する。
また,複数の分類層から発生する情報的決定に選択的に集中できるマルチスケール一貫した決定融合(mCDF)を提案する。
- 参考スコア（独自算出の注目度）: 28.300486641368234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of skin lesion from dermoscopic images is a crucial
part of computer-aided diagnosis of melanoma. It is challenging due to the fact
that dermoscopic images from different patients have non-negligible lesion
variation, which causes difficulties in anatomical structure learning and
consistent skin lesion delineation. In this paper, we propose a novel
bi-directional dermoscopic feature learning (biDFL) framework to model the
complex correlation between skin lesions and their informative context. By
controlling feature information passing through two complementary directions, a
substantially rich and discriminative feature representation is achieved.
Specifically, we place biDFL module on the top of a CNN network to enhance
high-level parsing performance. Furthermore, we propose a multi-scale
consistent decision fusion (mCDF) that is capable of selectively focusing on
the informative decisions generated from multiple classification layers. By
analysis of the consistency of the decision at each position, mCDF
automatically adjusts the reliability of decisions and thus allows a more
insightful skin lesion delineation. The comprehensive experimental results show
the effectiveness of the proposed method on skin lesion segmentation, achieving
state-of-the-art performance consistently on two publicly available dermoscopic
image databases.
- Abstract（参考訳）: 皮膚鏡像からの皮膚病変の正確な分画は,悪性黒色腫のコンピュータ診断の重要な部分である。
異なる患者からの皮膚内視鏡画像は、解剖学的構造学習の困難と一貫した皮膚病変の脱線を引き起こすため、困難である。
本稿では,皮膚病変と情報的文脈との複雑な相関関係をモデル化する,双方向な特徴学習(biDFL)フレームワークを提案する。
2つの相補的な方向を通る特徴情報を制御することにより、実質的に豊かで判別的な特徴表現を実現する。
具体的には、高レベル解析性能を向上させるために、CNNネットワークの上部にbiDFLモジュールを配置する。
さらに,複数の分類層から発生する情報的決定に選択的に集中できるマルチスケール一貫した決定融合(mCDF)を提案する。
それぞれの位置における決定の整合性を分析することにより、mCDFは自動的に決定の信頼性を調整し、より洞察に富んだ皮膚病変のデライン化を可能にする。
包括的実験により,提案手法が皮膚病変の分節化に有効であることを示し,2つの公開画像データベース上で一貫して最先端のパフォーマンスを実現することを実証した。
関連論文リスト
- Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - 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) - FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and
Visual Explanations [4.022446255159328]
解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。
提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。
これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
論文 参考訳（メタデータ） (2023-12-04T13:09:00Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳（メタデータ） (2023-10-04T21:57:09Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳（メタデータ） (2023-09-12T03:05:00Z) - Unsupervised Skin Lesion Segmentation via Structural Entropy
Minimization on Multi-Scale Superpixel Graphs [59.19218582436495]
本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。
皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。
健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
論文 参考訳（メタデータ） (2023-09-05T02:15:51Z) - LCAUnet: A skin lesion segmentation network with enhanced edge and body
fusion [4.819821513256158]
LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。
公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-01T14:05:53Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Salient Skin Lesion Segmentation via Dilated Scale-Wise Feature Fusion
Network [28.709314434820953]
現在の皮膚病変のセグメンテーションアプローチは、困難な状況下ではパフォーマンスが悪くなっている。
畳み込み分解に基づく拡張スケールワイド機能融合ネットワークを提案する。
提案手法は, 常に最先端の結果を示す。
論文 参考訳（メタデータ） (2022-05-20T16:08:37Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z)
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。