論文の概要: Channel Attention Residual U-Net for Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2004.03702v5
• Date: Tue, 20 Oct 2020 19:48:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 00:52:47.683876
• Title: Channel Attention Residual U-Net for Retinal Vessel Segmentation
• Title（参考訳）: 網膜血管セグメンテーションのためのチャネル注意残差U-Net
• Authors: Changlu Guo, M\'arton Szemenyei, Yangtao Hu, Wenle Wang, Wei Zhou, Yugen Yi
• Abstract要約: 本稿では,網膜血管および非血管ピクセルを正確にセグメント化するための新しい深層学習モデル,CAR-UNetを提案する。 以上の結果から,提案したCAR-UNetは,3種類の網膜血管データセットの最先端性能を達成できた。
• 参考スコア（独自算出の注目度）: 8.109768170171357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal vessel segmentation is a vital step for the diagnosis of many early eye-related diseases. In this work, we propose a new deep learning model, namely Channel Attention Residual U-Net (CAR-UNet), to accurately segment retinal vascular and non-vascular pixels. In this model, we introduced a novel Modified Efficient Channel Attention (MECA) to enhance the discriminative ability of the network by considering the interdependence between feature maps. On the one hand, we apply MECA to the "skip connections" in the traditional U-shaped networks, instead of simply copying the feature maps of the contracting path to the corresponding expansive path. On the other hand, we propose a Channel Attention Double Residual Block (CADRB), which integrates MECA into a residual structure as a core structure to construct the proposed CAR-UNet. The results show that our proposed CAR-UNet has reached the state-of-the-art performance on three publicly available retinal vessel datasets: DRIVE, CHASE DB1 and STARE.
• Abstract（参考訳）: 網膜血管セグメンテーションは多くの早期眼疾患の診断に欠かせないステップである。 本研究では,網膜血管と非血管のピクセルを正確に分割する新しい深層学習モデルであるチャネル注意残差u-net(car-unet)を提案する。 本モデルでは,特徴マップ間の相互依存性を考慮し,ネットワークの識別能力を高めるための改良されたチャネル注意(MECA)を導入した。 一方、mecaを従来のu字型ネットワークの「スキップ接続」に適用し、単に収縮経路の特徴マップを対応する拡大経路にコピーする。 一方,チャネルアテンション二重残差ブロック (CADRB) は,MECAをコア構造として残差構造に統合し,提案したCAR-UNetを構築する。 その結果,提案したCAR-UNetは,DRIVE,CHASE DB1,STAREの3つのパブリックな網膜血管データセットに対して,最先端のパフォーマンスを達成した。

関連論文リスト

• CB-HVTNet: A channel-boosted hybrid vision transformer network for lymphocyte assessment in histopathological images [0.40777876591043144]
  本稿では,トランスファーラーニングを用いてチャネルを再生し,医療画像中のリンパ球を解析するためにトランスフォーマとCNNの両方を用いるCB HVT(Channel Boosted Hybrid Vision Transformer)を提案する。 CB HVTは、チャネル生成モジュール、チャネルエクスプロイトモジュール、チャネルマージモジュール、リージョン認識モジュール、検出およびセグメンテーションヘッドを含む5つのモジュールからなる。 以上の結果から,CB HVTは術式検出モデルの他の状態よりも優れており,病理医のツールとしての価値が示された。
  論文  参考訳（メタデータ） (2023-05-16T06:40:04Z)
• Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation [36.12106059822428]
  既存の方法で再建された容器は、しばしば臨床使用基準を満たすほど正確ではない。 ネットワークは,それぞれ初期セグメンテーションと精巧なセグメンテーションを行う2つのカスケードワークで構成されている。 これら2つのU字型ネットワーク間でクロスネットワークマルチスケール機能融合を行い、高品質な船体セグメンテーションを効果的に支援する。
  論文  参考訳（メタデータ） (2023-01-06T05:56:50Z)
• Dual-Stage Deeply Supervised Attention-based Convolutional Neural Networks for Mandibular Canal Segmentation in CBCT Scans [4.140750794848906]
  下顎管の自動検出のための新しい2段階深層学習手法を提案する。 特に,我々はまず,新しいヒストグラムに基づく動的ウィンドウリング手法を用いてCBCTスキャンを強化する。 拡張後,関心のボリュームをローカライズするU-Netアーキテクチャを3Dで設計する。
  論文  参考訳（メタデータ） (2022-10-06T09:08:56Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• Convolutional Neural Network optimization via Channel Reassessment Attention module [19.566271646280978]
  本稿では,Channel Reassesment (CRA) モジュールと呼ばれる新しいネットワーク最適化モジュールを提案する。 CRAモジュールは、特徴マップの空間情報とチャネルアテンションを用いて、ネットワークの表現力を高める。 ImageNetとMSデータセットの実験では、様々なネットワークにCRAモジュールを埋め込むことで、異なる評価基準下での性能が効果的に向上することが示されている。
  論文  参考訳（メタデータ） (2020-10-12T11:27:17Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Multi-level Context Gating of Embedded Collective Knowledge for Medical Image Segmentation [32.96604621259756]
  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。
  論文  参考訳（メタデータ） (2020-03-10T12:29:59Z)
• Channel Equilibrium Networks for Learning Deep Representation [63.76618960820138]
  この研究は正規化と正則線型関数の組み合わせがチャネルを阻害することを示している。 阻害されたチャネルを単に取り除いた先行技術とは異なり、我々は、新しいニューラルネットワークビルディングブロックを設計することで、トレーニング中に「目を覚ます」ことを提案する。 Channel Equilibrium (CE) ブロックは、同じレイヤのチャネルが学習した表現に等しく寄与することを可能にする。
  論文  参考訳（メタデータ） (2020-02-29T09:02:31Z)

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。