Fugu-MT 論文翻訳(概要): CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation

論文の概要: CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2009.10549v2
Date: Wed, 23 Sep 2020 01:03:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 23:10:53.239925
Title: CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation
Title（参考訳）: ca-net: 医用画像分割のための包括的注意畳み込みニューラルネットワーク
Authors: Ran Gu, Guotai Wang, Tao Song, Rui Huang, Michael Aertsen, Jan Deprest, S\'ebastien Ourselin, Tom Vercauteren, Shaoting Zhang
Abstract要約: 我々は、CNNアーキテクチャにおける複数の注意点を幅広く活用し、より正確で説明可能な医療画像セグメンテーションのための総合的な注意ベースCNN(CA-Net)を提案する。皮膚病変では平均セグメンテーションDiceスコアが87.77%から92.08%に有意に改善した。モデルのサイズは、最先端のDeepLabv3+に比べて15倍小さくなり、精度も向上した。
参考スコア（独自算出の注目度）: 20.848367370280695
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate medical image segmentation is essential for diagnosis and treatment planning of diseases. Convolutional Neural Networks (CNNs) have achieved state-of-the-art performance for automatic medical image segmentation. However, they are still challenged by complicated conditions where the segmentation target has large variations of position, shape and scale, and existing CNNs have a poor explainability that limits their application to clinical decisions. In this work, we make extensive use of multiple attentions in a CNN architecture and propose a comprehensive attention-based CNN (CA-Net) for more accurate and explainable medical image segmentation that is aware of the most important spatial positions, channels and scales at the same time. In particular, we first propose a joint spatial attention module to make the network focus more on the foreground region. Then, a novel channel attention module is proposed to adaptively recalibrate channel-wise feature responses and highlight the most relevant feature channels. Also, we propose a scale attention module implicitly emphasizing the most salient feature maps among multiple scales so that the CNN is adaptive to the size of an object. Extensive experiments on skin lesion segmentation from ISIC 2018 and multi-class segmentation of fetal MRI found that our proposed CA-Net significantly improved the average segmentation Dice score from 87.77% to 92.08% for skin lesion, 84.79% to 87.08% for the placenta and 93.20% to 95.88% for the fetal brain respectively compared with U-Net. It reduced the model size to around 15 times smaller with close or even better accuracy compared with state-of-the-art DeepLabv3+. In addition, it has a much higher explainability than existing networks by visualizing the attention weight maps. Our code is available at https://github.com/HiLab-git/CA-Net
Abstract（参考訳）: 正確な医用画像分割は疾患の診断と治療計画に不可欠である。畳み込みニューラルネットワーク(CNN)は、医療画像の自動分割のための最先端のパフォーマンスを達成した。しかし, セグメンテーション対象が位置, 形状, 規模が大きく, 既存のCNNでは臨床的判断に限定した説明力の不足など, 複雑な状況に悩まされている。本研究では,CNNアーキテクチャにおける複数の注意点を幅広く活用し,より正確かつ説明可能な医用画像分割のための総合的な注意ベースCNN(CA-Net)を提案する。特に,まず,ネットワークをフォアグラウンド領域により集中させるために,協調的な空間的注意モジュールを提案する。次に、チャンネル毎の特徴応答を適応的に再調整し、最も関連する特徴チャネルをハイライトする新しいチャンネルアテンションモジュールを提案する。また,CNNが対象物のサイズに適応するように,複数の尺度間で最も有能な特徴写像を暗黙的に強調するスケールアテンションモジュールを提案する。 IIC 2018 と fetal MRI の多種間分画による皮膚病変分画実験の結果,提案したCA-Net は平均分画率を 87.77% から 92.08% に,胎盤では 84.79% から 87.08% に,胎児脳では 93.20% から 95.88% に改善した。モデルのサイズは、最先端のDeepLabv3+に比べて15倍小さくなり、精度も向上した。さらに、注意重みマップを可視化することで、既存のネットワークよりも説明可能性が高い。私たちのコードはhttps://github.com/HiLab-git/CA-Netで利用可能です。

関連論文リスト

MFA-Net: Multi-Scale feature fusion attention network for liver tumor segmentation [36.837642256513426]
本稿では,MFA-Net というアテンション機構に基づく新たなセグメンテーションフレームワークを提案する。提案するフレームワークは,複数のスケールでより意味のある特徴マップを学習し,より正確な自動セグメンテーションを実現する。
論文参考訳（メタデータ） (2024-05-07T07:10:44Z)
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)
Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文参考訳（メタデータ） (2023-05-30T14:25:55Z)
CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects [0.0]
本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸逆アテンションネットワーク(CaraNet)を提案する。我々のCaraNetはDiceセグメンテーションの精度を最上位で達成し、その結果、小さな医療オブジェクトのセグメンテーションにおいてCaraNetの明確な優位性を示している。
論文参考訳（メタデータ） (2023-01-31T02:12:33Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects [0.0]
本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸予約注意ネットワーク(CaraNet)を提案する。我々のCaraNetは、Diceのセグメンテーションの精度を最上位で達成していますが、小さな医療オブジェクトのセグメンテーションにおいて、明らかなアドバンテージも示しています。
論文参考訳（メタデータ） (2021-08-16T22:48:47Z)
The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文参考訳（メタデータ） (2021-01-29T07:46:39Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
An automatic COVID-19 CT segmentation network using spatial and channel attention mechanism [4.4259821861544]
新型コロナウイルス(COVID-19)のパンデミックが世界の公衆衛生に打撃を与えている。診断と患者のモニタリングを支援するために、迅速かつ正確にCTからCOVID-19を分離することが非常に重要である。注意機構を用いたU-Netに基づく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） (2020-04-14T17:21:11Z)

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。