論文の概要: Learning To Pay Attention To Mistakes

• arxiv url: http://arxiv.org/abs/2007.15131v3
• Date: Fri, 7 Aug 2020 10:37:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 20:36:54.504223
• Title: Learning To Pay Attention To Mistakes
• Title（参考訳）: 間違いに注意を払うことを学ぶ
• Authors: Mou-Cheng Xu and Neil P. Oxtoby and Daniel C. Alexander and Joseph Jacob
• Abstract要約: 畳み込みニューラルネットワークに基づく医用画像分割では、悪性組織を表す前景領域の周辺が不均等に割り当てられることがある。 本稿では,このような偽陰性率に対処する新たな注意機構を提案する。 我々の注意機構は、偽陽性の同定に向けてモデルを操り、既存の偽陰性に対する偏見に逆らう。
• 参考スコア（独自算出の注目度）: 4.939907975327289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In convolutional neural network based medical image segmentation, the periphery of foreground regions representing malignant tissues may be disproportionately assigned as belonging to the background class of healthy tissues \cite{attenUnet}\cite{AttenUnet2018}\cite{InterSeg}\cite{UnetFrontNeuro}\cite{LearnActiveContour}. This leads to high false negative detection rates. In this paper, we propose a novel attention mechanism to directly address such high false negative rates, called Paying Attention to Mistakes. Our attention mechanism steers the models towards false positive identification, which counters the existing bias towards false negatives. The proposed mechanism has two complementary implementations: (a) "explicit" steering of the model to attend to a larger Effective Receptive Field on the foreground areas; (b) "implicit" steering towards false positives, by attending to a smaller Effective Receptive Field on the background areas. We validated our methods on three tasks: 1) binary dense prediction between vehicles and the background using CityScapes; 2) Enhanced Tumour Core segmentation with multi-modal MRI scans in BRATS2018; 3) segmenting stroke lesions using ultrasound images in ISLES2018. We compared our methods with state-of-the-art attention mechanisms in medical imaging, including self-attention, spatial-attention and spatial-channel mixed attention. Across all of the three different tasks, our models consistently outperform the baseline models in Intersection over Union (IoU) and/or Hausdorff Distance (HD). For instance, in the second task, the "explicit" implementation of our mechanism reduces the HD of the best baseline by more than $26\%$, whilst improving the IoU by more than $3\%$. We believe our proposed attention mechanism can benefit a wide range of medical and computer vision tasks, which suffer from over-detection of background.
• Abstract（参考訳）: 畳み込みニューラルネットワークに基づく医用画像分割では、悪性組織を表す前景領域の周囲は、健康な組織の背景クラスである \cite{attenunet}\cite{attenunet2018}\cite{interseg}\cite{unetfrontneuro}\cite{learnactivecontour} に属すると不釣り合いに割り当てられる。 これにより、偽陰性検出率が高い。 本稿では,このような高い偽陰性率に直接対処する新しい注意機構を提案する。 我々の注意機構は、モデルが偽陽性の識別に向けられ、既存の偽陰性のバイアスに逆らう。 提案するメカニズムには2つの補完的な実装がある。 (a)前景におけるより大きな効果受容場に参画するためのモデルの「明示的」操舵 b) 背景領域のより小さな有効受容場への参加により, 偽陽性に対する「単純」操舵を行った。 私たちは3つのタスクでメソッドを検証しました。 1)都市景観を用いた車両と背景の密接な二元予測 2) BRATS2018におけるマルチモーダルMRIによるTumour Coreセグメンテーションの増強 3) isles2018における超音波画像を用いた脳卒中病変の分節化 我々は, 自己注意, 空間意識, 空間チャネル混合注意など, 医用画像における最先端の注意機構と比較した。 3つの異なるタスクのすべてにおいて、我々のモデルは一貫して、Intersection over Union (IoU) や Hausdorff Distance (HD) のベースラインモデルより優れています。 例えば、第2のタスクでは、我々のメカニズムの「明示的」実装は、最高のベースラインのHDを26 %以上削減し、IoUを3 %以上改善します。 提案する注意機構は,背景の過度な検出に苦しむ医療やコンピュータビジョンの幅広いタスクに有用であると考えられる。

関連論文リスト

• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• 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)
• Visual Attention Network [90.0753726786985]
  本稿では,自己アテンションにおける自己適応性および長距離相関を実現するために,新しいカーネルアテンション(LKA)モジュールを提案する。 また、LKAに基づく新しいニューラルネットワーク、すなわちVisual Attention Network (VAN)を導入する。 VANは、最先端のビジョントランスフォーマーと畳み込みニューラルネットワークを、広範な実験において大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-02-20T06:35:18Z)
• Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images [0.2578242050187029]
  多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。 今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。 著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:37:43Z)
• 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)
• EAR-NET: Error Attention Refining Network For Retinal Vessel Segmentation [22.91753200323264]
  本稿では,潜在的な誤予測を学習し,予測できる新しいエラー注意改善ネットワーク(ERA-Net)を提案する。 改良段階において提案されたERA-Netは、初期訓練段階において発生したセグメンテーションエラーに焦点を絞って洗練させる。 実験の結果,2つの一般的な網膜血管データセットの最先端性能が得られた。
  論文  参考訳（メタデータ） (2021-07-03T06:03:46Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation in MR images [30.747375849126925]
  MRIにおける鼻咽頭癌(NPC)分類のためのDense SegU-net(DSU-net)フレームワークを提案する。 潜在的な消滅段階的問題に対処するために,特徴の伝播と再利用を容易にする高密度ブロックを導入する。 提案するアーキテクチャは,既存の最先端セグメンテーションネットワークよりも優れている。
  論文  参考訳（メタデータ） (2020-06-11T09:33:41Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
  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。
  論文  参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。