論文の概要: Multi-level Context Gating of Embedded Collective Knowledge for Medical
Image Segmentation
- arxiv url: http://arxiv.org/abs/2003.05056v1
- Date: Tue, 10 Mar 2020 12:29:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 21:37:23.869230
- Title: Multi-level Context Gating of Embedded Collective Knowledge for Medical
Image Segmentation
- Title(参考訳): 医療画像セグメンテーションのための組込み集合知識の多レベルコンテキストゲーティング
- Authors: Maryam Asadi-Aghbolaghi, Reza Azad, Mahmood Fathy, and Sergio Escalera
- Abstract要約: 医用画像分割のためのU-Netの拡張を提案する。
U-Net, Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the mechanism of dense convolutions。
提案モデルは6つのデータセットで評価される。
- 参考スコア(独自算出の注目度): 32.96604621259756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation has been very challenging due to the large
variation of anatomy across different cases. Recent advances in deep learning
frameworks have exhibited faster and more accurate performance in image
segmentation. Among the existing networks, U-Net has been successfully applied
on medical image segmentation. In this paper, we propose an extension of U-Net
for medical image segmentation, in which we take full advantages of U-Net,
Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the
mechanism of dense convolutions. (I) We improve the segmentation performance by
utilizing SE modules within the U-Net, with a minor effect on model complexity.
These blocks adaptively recalibrate the channel-wise feature responses by
utilizing a self-gating mechanism of the global information embedding of the
feature maps. (II) To strengthen feature propagation and encourage feature
reuse, we use densely connected convolutions in the last convolutional layer of
the encoding path. (III) Instead of a simple concatenation in the skip
connection of U-Net, we employ BConvLSTM in all levels of the network to
combine the feature maps extracted from the corresponding encoding path and the
previous decoding up-convolutional layer in a non-linear way. The proposed
model is evaluated on six datasets DRIVE, ISIC 2017 and 2018, lung
segmentation, $PH^2$, and cell nuclei segmentation, achieving state-of-the-art
performance.
- Abstract(参考訳): 様々な症例で解剖学的に大きな違いがあるため, 医用画像のセグメンテーションは非常に困難である。
ディープラーニングフレームワークの最近の進歩は、画像セグメンテーションの高速で正確なパフォーマンスを示している。
既存のネットワークのうち、u-netは医療画像のセグメンテーションにうまく適用されている。
本稿では,U-Net,Squeeze and Excitation (SE) ブロック,双方向 ConvLSTM (BConvLSTM) および高密度畳み込みのメカニズムを最大限に活用する医用画像分割のためのU-Netの拡張を提案する。
(I) U-Net内のSEモジュールを利用することでセグメンテーション性能を向上し、モデルの複雑さに小さな影響を与える。
これらのブロックは、特徴マップのグローバルな情報埋め込みの自己ゲーティング機構を利用して、チャネルワイドな特徴応答を適応的に補正する。
(II)
特徴伝播を強化し,特徴再利用を促進するため,符号化パスの最後の畳み込み層に密結合した畳み込みを用いる。
(III)
U-Netのスキップ接続における単純な結合の代わりに、BConvLSTMをネットワークのすべてのレベルで使用し、対応する符号化パスから抽出された特徴マップと、以前のデコードアップ畳み込みレイヤを非線形に組み合わせる。
提案モデルは,isic 2017と2018の6つのデータセット,肺分画,$ph^2$,細胞核分画で評価され,最新性能が得られた。
関連論文リスト
- BEFUnet: A Hybrid CNN-Transformer Architecture for Precise Medical Image
Segmentation [0.0]
本稿では,医療画像の正確な分割のために,身体情報とエッジ情報の融合を強化するBEFUnetという,革新的なU字型ネットワークを提案する。
BEFUnetは、新しいローカル・クロス・アテンション・フィーチャー(LCAF)融合モジュール、新しいダブル・レベル・フュージョン(DLF)モジュール、デュアルブランチ・エンコーダの3つの主要モジュールから構成されている。
LCAFモジュールは、2つのモダリティの間に空間的に近接する特徴に対して、局所的な相互注意を選択的に行うことにより、エッジとボディの特徴を効率よく融合させる。
論文 参考訳(メタデータ) (2024-02-13T21:03:36Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image
Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-01T10:49:09Z) - U-Net v2: Rethinking the Skip Connections of U-Net for Medical Image
Segmentation [16.24072256810666]
医用画像分割のための新しい堅牢で効率的なU-Net変種であるU-Net v2を紹介する。
セマンティックな情報を低レベルの機能に注入し、同時に細かな詳細で高レベルの機能を改善することを目的としている。
論文 参考訳(メタデータ) (2023-11-29T16:35:24Z) - SegNetr: Rethinking the local-global interactions and skip connections
in U-shaped networks [1.121518046252855]
U字型ネットワークは、シンプルで調整が容易な構造のため、医療画像セグメンテーションの分野を支配してきた。
我々は任意の段階で動的に局所的・局所的相互作用を行なえる新しいSegNetrブロックを導入する。
59%と76%のパラメータとGFLOPがバニラU-Netより少ない4つの主流医療画像セグメンテーションデータセットに対するSegNetrの有効性を検証した。
論文 参考訳(メタデータ) (2023-07-06T12:39:06Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2022-06-02T07:38:53Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - Boosting Few-shot Semantic Segmentation with Transformers [81.43459055197435]
TRansformer-based Few-shot Semantic segmentation Method (TRFS)
我々のモデルは,グローバル・エンハンスメント・モジュール(GEM)とローカル・エンハンスメント・モジュール(LEM)の2つのモジュールから構成される。
論文 参考訳(メタデータ) (2021-08-04T20:09:21Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳(メタデータ) (2021-04-02T02:07:37Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳(メタデータ) (2021-02-08T16:10:50Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Semantic Segmentation With Multi Scale Spatial Attention For Self
Driving Cars [2.7317088388886384]
本稿では,様々なスケールのマルチスケール特徴融合を用いた新しいニューラルネットワークを提案し,その精度と効率的なセマンティックイメージセグメンテーションを提案する。
我々は、ResNetベースの特徴抽出器、ダウンサンプリング部における拡張畳み込み層、アップサンプリング部におけるアトラス畳み込み層を使用し、コンキャット操作を用いてそれらをマージした。
より文脈的な情報をエンコードし、ネットワークの受容領域を強化するため、新しいアテンションモジュールが提案されている。
論文 参考訳(メタデータ) (2020-06-30T20:19:09Z)
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。