Fugu-MT 論文翻訳(概要): Selective Information Passing for MR/CT Image Segmentation

論文の概要: Selective Information Passing for MR/CT Image Segmentation

arxiv url: http://arxiv.org/abs/2010.04920v1
Date: Sat, 10 Oct 2020 06:47:53 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 23:29:50.108333
Title: Selective Information Passing for MR/CT Image Segmentation
Title（参考訳）: MR/CT画像分割のための選択的情報伝送
Authors: Qikui Zhu, Liang Li, Jiangnan Hao, Yunfei Zha, Yan Zhang, Yanxiang Cheng, Fei Liao, Pingxiang Li
Abstract要約: 選択的情報伝達ネットワーク(SIP-Net)という自己制御機能を持つ新しい3Dネットワークを提案する。我々は,MICCAI MR Image 2012 Grant Challengeデータセット, TCIA Pancreas CT-82, MICCAI 2017 Prostate Liver tumor (LiTS) Challengeデータセットについて検討した。
参考スコア（独自算出の注目度）: 9.898316422853528
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated medical image segmentation plays an important role in many clinical applications, which however is a very challenging task, due to complex background texture, lack of clear boundary and significant shape and texture variation between images. Many researchers proposed an encoder-decoder architecture with skip connections to combine low-level feature maps from the encoder path with high-level feature maps from the decoder path for automatically segmenting medical images. The skip connections have been shown to be effective in recovering fine-grained details of the target objects and may facilitate the gradient back-propagation. However, not all the feature maps transmitted by those connections contribute positively to the network performance. In this paper, to adaptively select useful information to pass through those skip connections, we propose a novel 3D network with self-supervised function, named selective information passing network (SIP-Net). We evaluate our proposed model on the MICCAI Prostate MR Image Segmentation 2012 Grant Challenge dataset, TCIA Pancreas CT-82 and MICCAI 2017 Liver Tumor Segmentation (LiTS) Challenge dataset. The experimental results across these data sets show that our model achieved improved segmentation results and outperformed other state-of-the-art methods. The source code of this work is available at https://github.com/ahukui/SIPNet.
Abstract（参考訳）: 医療画像の自動分割は多くの臨床応用において重要な役割を担っているが、複雑な背景テクスチャ、明確な境界の欠如、画像間の顕著な形状とテクスチャの変化など、非常に難しい課題である。多くの研究者が、デコーダパスからの低レベル特徴マップとデコーダパスからの高レベル特徴マップを組み合わせて、医療画像を自動的にセグメント化するためのスキップ接続を備えたエンコーダデコーダアーキテクチャを提案した。スキップ接続は対象物体の微細な詳細を復元するのに有効であることが示されており、勾配のバックプロパゲーションを促進する可能性がある。しかし、これらの接続によって送信される全ての機能マップがネットワーク性能にプラスに寄与するわけではない。本稿では,これらのスキップ接続を透過する有用な情報を適応的に選択するために,SIP-Netと呼ばれる自己教師機能を持つ新しい3Dネットワークを提案する。今回提案したMICCAI Prostate MR Image Segmentation 2012 Grant Challenge dataset, TCIA Pancreas CT-82 and MICCAI 2017 Liver tumor Segmentation (LiTS) Challenge datasetについて検討した。これらのデータセットに対する実験結果から,モデルのセグメンテーション結果の改善と,他の最先端手法よりも優れた性能を示した。この作業のソースコードはhttps://github.com/ahukui/sipnetで入手できる。

関連論文リスト

TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
論文参考訳（メタデータ） (2024-10-01T18:22:34Z)
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)
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)
HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文参考訳（メタデータ） (2022-09-01T21:10:00Z)
MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2022-06-02T07:38:53Z)
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)
Atrous Residual Interconnected Encoder to Attention Decoder Framework for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文参考訳（メタデータ） (2021-04-08T12:09:16Z)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-03-04T13:34:22Z)
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文参考訳（メタデータ） (2021-02-08T16:10:50Z)
Multi-level Context Gating of Embedded Collective Knowledge for Medical Image Segmentation [32.96604621259756]
医用画像分割のためのU-Netの拡張を提案する。 U-Net, Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the mechanism of dense convolutions。提案モデルは6つのデータセットで評価される。
論文参考訳（メタデータ） (2020-03-10T12:29:59Z)

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。