Fugu-MT 論文翻訳(概要): CAggNet: Crossing Aggregation Network for Medical Image Segmentation

論文の概要: CAggNet: Crossing Aggregation Network for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2004.08237v2
Date: Sat, 7 Nov 2020 13:28:12 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 21:19:21.221769
Title: CAggNet: Crossing Aggregation Network for Medical Image Segmentation
Title（参考訳）: CAggNet:医療画像セグメンテーションのためのクロスアグリゲーションネットワーク
Authors: Xu Cao, Yanghao Lin
Abstract要約: クロス・アグリゲーション・ネットワーク (CAggNet) は医療画像解析のための新しいセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・アプローチである。 CAggNetでは、一般的なU-Netの単純なスキップ接続構造は、マルチレベルダウンサンプリング層とアップサンプリング層のアグリゲーションに置き換えられる。我々はCAggNetを2つの公開医用画像データセットでいくつかの先進的なU-Net法と比較した。
参考スコア（独自算出の注目度）: 4.56877715768796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we present Crossing Aggregation Network (CAggNet), a novel densely connected semantic segmentation approach for medical image analysis. The crossing aggregation network improves the idea from deep layer aggregation and makes significant innovations in semantic and spatial information fusion. In CAggNet, the simple skip connection structure of general U-Net is replaced by aggregations of multi-level down-sampling and up-sampling layers, which is a new form of nested skip connection. This aggregation architecture enables the network to fuse both coarse and fine features interactively in semantic segmentation. It also introduces weighted aggregation module to up-sample multi-scale output at the end of the network. We have evaluated and compared our CAggNet with several advanced U-Net based methods in two public medical image datasets, including the 2018 Data Science Bowl nuclei detection dataset and the 2015 MICCAI gland segmentation competition dataset. Experimental results indicate that CAggNet improves medical object recognition and achieves a more accurate and efficient segmentation compared to existing improved U-Net and UNet++ structure.
Abstract（参考訳）: 本稿では,医療画像解析のための新しい密結合意味セグメンテーション手法であるcross crossing aggregation network (caggnet)を提案する。クロスアグリゲーションネットワークは、ディープレイヤアグリゲーションからアイデアを改善し、セマンティックおよび空間情報融合において大きな革新をもたらす。 caggnetでは、一般的なu-netの単純なスキップ接続構造は、ネストしたスキップ接続の新しい形態であるマルチレベルダウンサンプリング層とアップサンプリング層の集約に置き換えられる。このアグリゲーションアーキテクチャにより、ネットワークはセマンティックセグメンテーションで対話的に粗い機能と細かな機能を融合することができる。また、ネットワークの最後にマルチスケール出力をアップサンプルする重み付けアグリゲーションモジュールも導入している。我々は、2018年データサイエンスボウル核検出データセットと2015年MICCAI腺セグメンテーションコンペティションデータセットを含む、2つの公開医療画像データセットにおいて、我々のCAggNetといくつかの高度なU-Netベースの方法を評価し、比較した。実験の結果,CAggNetは既存の改良されたU-NetやUNet++構造と比較して,医療オブジェクト認識を改善し,より正確かつ効率的なセグメンテーションを実現することがわかった。

関連論文リスト

LUCF-Net: Lightweight U-shaped Cascade Fusion Network for Medical Image Segmentation [2.4496130409854806]
LUCF-Netは、医用画像分割のための軽量なU字型カスケード融合ネットワークである。ローカルおよびグローバルの両方のモジュールを組み込んで、ローカルおよびグローバルモデリングの能力を高める。競合セグメンテーション性能は6.93万のパラメータと6.6ギガバイトの浮動小数点演算で達成される。
論文参考訳（メタデータ） (2024-04-11T04:54:42Z)
Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
論文参考訳（メタデータ） (2023-01-31T14:46:16Z)
Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
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)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
論文参考訳（メタデータ） (2021-01-18T05:21:59Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
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)
DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
論文参考訳（メタデータ） (2020-06-08T18:38:24Z)
DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation [2.3574651879602215]
残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-04-28T12:16:24Z)
Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
論文参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。