Fugu-MT 論文翻訳(概要): Residual Spatial Attention Network for Retinal Vessel Segmentation

論文の概要: Residual Spatial Attention Network for Retinal Vessel Segmentation

arxiv url: http://arxiv.org/abs/2009.08829v1
Date: Fri, 18 Sep 2020 13:17:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 03:34:47.162432
Title: Residual Spatial Attention Network 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残留空間注意ネットワーク
Authors: Changlu Guo, M\'arton Szemenyei, Yugen Yi, Wei Zhou, Haodong Bian
Abstract要約: 本稿では網膜血管分割のための残留空間注意ネットワーク(RSAN)を提案する。 RSANはDropBlockを統合する改良された残留ブロック構造を採用している。ネットワークの表現能力をさらに向上するために、空間注意(SA)を導入し、残留空間注意ブロック(RSAB)を提案する。
参考スコア（独自算出の注目度）: 6.513112974264861
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reliable segmentation of retinal vessels can be employed as a way of monitoring and diagnosing certain diseases, such as diabetes and hypertension, as they affect the retinal vascular structure. In this work, we propose the Residual Spatial Attention Network (RSAN) for retinal vessel segmentation. RSAN employs a modified residual block structure that integrates DropBlock, which can not only be utilized to construct deep networks to extract more complex vascular features, but can also effectively alleviate the overfitting. Moreover, in order to further improve the representation capability of the network, based on this modified residual block, we introduce the spatial attention (SA) and propose the Residual Spatial Attention Block (RSAB) to build RSAN. We adopt the public DRIVE and CHASE DB1 color fundus image datasets to evaluate the proposed RSAN. Experiments show that the modified residual structure and the spatial attention are effective in this work, and our proposed RSAN achieves the state-of-the-art performance.
Abstract（参考訳）: 網膜血管の信頼性の高いセグメンテーションは、網膜の血管構造に影響を与えるため、糖尿病や高血圧などの特定の疾患を監視および診断する方法として用いられる。本研究では網膜血管分割のための残留空間注意ネットワーク(RSAN)を提案する。 RSANはDropBlockを統合した改良された残留ブロック構造を採用しており、深層ネットワークを構築してより複雑な血管の特徴を抽出するだけでなく、オーバーフィッティングを効果的に緩和することができる。さらに、この改良された残差ブロックに基づいて、ネットワークの表現能力をさらに向上するために、空間注意(SA)を導入し、RSANを構築するための残留空間注意ブロック(RSAB)を提案する。提案するrsanの評価には, public drive と chase db1 color fundus image datasets を用いた。実験により, 改良された残留構造と空間的注意が本研究に有効であることが示され, 提案したRSANは最先端の性能を実現する。

関連論文リスト

RUN: Reversible Unfolding Network for Concealed Object Segmentation [61.13528324971598]
マスクドメインとRGBドメインの両方にわたる可逆戦略。マスクとRGBドメインをまたいだ可逆的戦略を適用したReversible Unfolding Network (RUN)を提案する。
論文参考訳（メタデータ） (2025-01-30T22:19:15Z)
DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation [17.396365010722423]
網膜血管形態は糖尿病、緑内障、高血圧などの疾患の診断に重要である。従来のセグメンテーション手法は、トレーニングとテストのデータが同様の分布を共有していると仮定する。本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。
論文参考訳（メタデータ） (2025-01-07T01:47:57Z)
TPOT: Topology Preserving Optimal Transport in Retinal Fundus Image Enhancement [16.84367978693017]
持続性図の差を最小限に抑えて血管構造を規則化する訓練パラダイムを提案する。得られたフレームワークをTPOT(Topology Preserving Optimal Transport)と呼ぶ。大規模データセットを用いた実験結果から,提案手法の優位性を示した。
論文参考訳（メタデータ） (2024-11-03T02:04:35Z)
KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文参考訳（メタデータ） (2024-09-19T14:21:38Z)
RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
論文参考訳（メタデータ） (2023-09-27T13:14:57Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しい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） (2022-11-17T11:06:29Z)
Claw U-Net: A Unet-based Network with Deep Feature Concatenation for Scleral Blood Vessel Segmentation [18.10578418379116]
SWS(Sturge-Weber syndrome)は、血管奇形疾患であり、患者の症状が重篤な場合、失明を引き起こす可能性がある。精巣血管を正確に分画する方法は,コンピュータ診断において重要な問題となっている。 Claw UNetは、硬化血管画像データセット上で、他のUNetベースのネットワークを上回っている。
論文参考訳（メタデータ） (2020-10-20T09:55:29Z)
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)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Dense Residual Network for Retinal Vessel Segmentation [8.778525346264466]
走査型レーザー眼鏡視下網膜像において,血管の分画を効果的に行う方法を提案する。 U-Net,「機能マップの再利用」,残差学習に触発され,DRNetと呼ばれる高密度残差ネットワーク構造を提案する。本手法は,データ拡張を伴わずとも最先端の性能を実現する。
論文参考訳（メタデータ） (2020-04-07T20:42:13Z)
SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation [4.6859605614050155]
本研究では,何千ものアノテートトレーニングサンプルを必要としない空間注意U-Net (SA-UNet) という軽量ネットワークを提案する。 SA-UNetは空間次元に沿ったアテンションマップを推論する空間アテンションモジュールを導入し、入力特徴マップにアテンションマップを乗じて適応的特徴改善を行う。 SA-UNetを2つのベンチマーク網膜データセット(Vascular extract(DRIVE)データセットとChild Heart and Health Study(CHASE_DB1)データセット)に基づいて評価した。
論文参考訳（メタデータ） (2020-04-07T20:41:12Z)

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。