論文の概要: ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection

• arxiv url: http://arxiv.org/abs/2003.08770v1
• Date: Tue, 3 Mar 2020 05:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:29:14.268214
• Title: ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection
• Title（参考訳）: elixirnet: 医療病変検出のためのリレーションアウェアネットワークアーキテクチャ適応
• Authors: Chenhan Jiang, Shaoju Wang, Hang Xu, Xiaodan Liang, Nong Xiao
• Abstract要約: 本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
• 参考スコア（独自算出の注目度）: 90.13718478362337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most advances in medical lesion detection network are limited to subtle modification on the conventional detection network designed for natural images. However, there exists a vast domain gap between medical images and natural images where the medical image detection often suffers from several domain-specific challenges, such as high lesion/background similarity, dominant tiny lesions, and severe class imbalance. Is a hand-crafted detection network tailored for natural image undoubtedly good enough over a discrepant medical lesion domain? Is there more powerful operations, filters, and sub-networks that better fit the medical lesion detection problem to be discovered? In this paper, we introduce a novel ElixirNet that includes three components: 1) TruncatedRPN balances positive and negative data for false positive reduction; 2) Auto-lesion Block is automatically customized for medical images to incorporate relation-aware operations among region proposals, and leads to more suitable and efficient classification and localization. 3) Relation transfer module incorporates the semantic relationship and transfers the relevant contextual information with an interpretable the graph thus alleviates the problem of lack of annotations for all types of lesions. Experiments on DeepLesion and Kits19 prove the effectiveness of ElixirNet, achieving improvement of both sensitivity and precision over FPN with fewer parameters.
• Abstract（参考訳）: 医学的病変検出ネットワークのほとんどの進歩は、自然画像用に設計された従来の検出ネットワークの微妙な修正に限られている。 しかし、医療画像と自然画像の間には、高い病変・背景類似性、支配的小病変、重度の階級不均衡など、いくつかのドメイン固有の課題がしばしば発生する領域ギャップが存在する。 自然画像に適した手作り検出ネットワークは、明らかな医学的病巣領域よりも十分なものなのだろうか? 発見すべき医学的病変検出問題に適合する、より強力な操作、フィルタ、サブネットワークがありますか? 本稿では,3つのコンポーネントを含む新しいElixirNetを紹介する。 1)TrncatedRPNは、偽陽性減少のための正と負のデータバランスをとる。 2) 自己回帰ブロックは, 地域提案間の関係認識操作を取り入れた医用画像に自動的にカスタマイズされ, より適切かつ効率的な分類とローカライゼーションを実現する。 3)関係伝達モジュールは意味的関係を取り入れ,関連する文脈情報を解釈可能なグラフで伝達することにより,あらゆる種類の病変に対するアノテーションの欠如の問題を軽減する。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• ADFA: Attention-augmented Differentiable top-k Feature Adaptation for Unsupervised Medical Anomaly Detection [5.946143723117816]
  本稿では,画像異常検出のためのADFA(Attention-Augmented Differentiable Top-k Feature Adaptation)を提案する。 初期の特徴表現を抽出するために、ImageNetで事前訓練されたWR50ネットワーク。 次に,パッチ記述子をトレーニングし,抽出した特徴表現を新しいベクトル空間にマッピングするために,微分可能なトップk特徴適応を適用した。
  論文  参考訳（メタデータ） (2023-08-29T13:10:53Z)
• AttResDU-Net: Medical Image Segmentation Using Attention-based Residual Double U-Net [0.0]
  本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。 CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
  論文  参考訳（メタデータ） (2023-06-25T14:28:08Z)
• 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)
• MultiPathGAN: Structure Preserving Stain Normalization using Unsupervised Multi-domain Adversarial Network with Perception Loss [10.043946236248392]
  病理組織学は、病気の診断に顕微鏡組織像の分析に頼っている。 我々は,複数のデータ取得領域にまたがって,スライド画像全体を翻訳(正規化)する,教師なしの敵ネットワークを導入する。
  論文  参考訳（メタデータ） (2022-04-20T20:48:17Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D Detection Network [18.31577982955252]
  良性腫瘍145例,悪性腫瘍273例の418例を対象に,本ネットワークの有効性を検証した。 実験により, ネットワークの感度は97.66%, 1.23偽陽性 (FPs) であり, 曲線(AUC) 値0.8720以下の領域を有することがわかった。
  論文  参考訳（メタデータ） (2020-07-31T15:25:07Z)

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。