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
- 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) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳(メタデータ) (2022-09-07T05:01:38Z) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳(メタデータ) (2022-03-18T15:26:05Z) - 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) - Progressively Guided Alternate Refinement Network for RGB-D Salient
Object Detection [63.18846475183332]
我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。
そこで本研究では,改良のための改良ネットワークを提案する。
我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
論文 参考訳(メタデータ) (2020-08-17T02:55:06Z) - 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) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - Channel Attention Residual U-Net for Retinal Vessel Segmentation [8.109768170171357]
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。
論文 参考訳(メタデータ) (2020-04-07T20:47:40Z) - 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。