論文の概要: DT-Net: A novel network based on multi-directional integrated convolution and threshold convolution

• arxiv url: http://arxiv.org/abs/2009.12569v1
• Date: Sat, 26 Sep 2020 11:12:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 08:46:28.624848
• Title: DT-Net: A novel network based on multi-directional integrated convolution and threshold convolution
• Title（参考訳）: DT-Net:多方向統合畳み込みとしきい値畳み込みに基づく新しいネットワーク
• Authors: Hongfeng You, Long Yu, Shengwei Tian, Xiang Ma, Yan Xing and Xiaojie Ma
• Abstract要約: 本稿では,新しいエンドツーエンドセマンティックセマンティックセグメンテーションアルゴリズムDT-Netを提案する。 また、医療画像のエンドツーエンドのセマンティックセグメンテーションをよりよく達成するために、2つの新しい畳み込み戦略を用いる。
• 参考スコア（独自算出の注目度）: 7.427799203626843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since medical image data sets contain few samples and singular features, lesions are viewed as highly similar to other tissues. The traditional neural network has a limited ability to learn features. Even if a host of feature maps is expanded to obtain more semantic information, the accuracy of segmenting the final medical image is slightly improved, and the features are excessively redundant. To solve the above problems, in this paper, we propose a novel end-to-end semantic segmentation algorithm, DT-Net, and use two new convolution strategies to better achieve end-to-end semantic segmentation of medical images. 1. In the feature mining and feature fusion stage, we construct a multi-directional integrated convolution (MDIC). The core idea is to use the multi-scale convolution to enhance the local multi-directional feature maps to generate enhanced feature maps and to mine the generated features that contain more semantics without increasing the number of feature maps. 2. We also aim to further excavate and retain more meaningful deep features reduce a host of noise features in the training process. Therefore, we propose a convolution thresholding strategy. The central idea is to set a threshold to eliminate a large number of redundant features and reduce computational complexity. Through the two strategies proposed above, the algorithm proposed in this paper produces state-of-the-art results on two public medical image datasets. We prove in detail that our proposed strategy plays an important role in feature mining and eliminating redundant features. Compared with the existing semantic segmentation algorithms, our proposed algorithm has better robustness.
• Abstract（参考訳）: 医用画像データセットにはサンプルや特異な特徴が少ないため、病変は他の組織と非常によく似ていると見なされる。 従来のニューラルネットワークは、機能を学ぶ能力に制限がある。 特徴マップのホストを拡張してより意味的な情報を得る場合でも、最終医療画像のセグメント化の精度はわずかに向上し、その機能は過剰に冗長である。 本稿では,この問題を解決するために,新しいエンドツーエンド意味セグメンテーションアルゴリズムdt-netを提案し,医療画像のエンドツーエンドセグメンテーションを実現するための2つの新しい畳み込み戦略を提案する。 1. 機能マイニングと機能融合の段階において, 多方向統合畳み込み(MDIC)を構築する。 中心となるアイデアは、マルチスケール畳み込みを使用して、ローカルな多方向特徴マップを強化し、拡張された特徴マップを生成し、特徴マップの数を増やすことなく、より多くの意味を含む生成した特徴をマイニングすることだ。 2) より意味のある深い特徴を発掘し, 維持し, 訓練過程における騒音の特徴を減らそうとしている。 そこで我々は,畳み込みしきい値決定戦略を提案する。 中心となる考え方は、多くの冗長な特徴を排除し、計算の複雑さを減らすためのしきい値を設定することである。 本稿では,2つの医用画像データセットに対して,現状の成果を提示するアルゴリズムを提案する。 提案する戦略が機能マイニングや冗長な特徴の排除において重要な役割を担っていることを詳細に証明する。 既存のセマンティックセグメンテーションアルゴリズムと比較して,提案アルゴリズムはより堅牢性が高い。

関連論文リスト

• MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification [25.056170817680403]
  そこで本稿では,MAProtoNet と呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。 具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。 医療画像における既存の解釈可能な部分ネットワークと比較して、MAProtoNetはローカライゼーションにおける最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2024-04-13T07:30:17Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• 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)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発の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を提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections for Medical Image Segmentation [0.5735035463793008]
  本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。 提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。 エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
  論文  参考訳（メタデータ） (2022-06-03T19:42:44Z)
• 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)
• Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
  関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。 マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-05T17:24:23Z)
• 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)
• Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
  医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。 既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。 本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
  論文  参考訳（メタデータ） (2020-05-03T02:35:49Z)
• UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation [20.558512044987125]
  提案するUNet 3+は,フルスケールのスキップ接続と深い監視機能を利用する。 提案手法は, 様々なスケールで現れる臓器に対して特に有用である。
  論文  参考訳（メタデータ） (2020-04-19T08:05:59Z)

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。