論文の概要: Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2011.02880v2
• Date: Tue, 5 Jan 2021 09:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 23:09:16.653755
• Title: Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation
• Title（参考訳）: covariance self-attention dual path unet による直腸腫瘍の分画
• Authors: Haijun Gao, Bochuan Zheng, Dazhi Pan, Xiangyin Zeng
• Abstract要約: CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 CSA-DPUNetは15.31%、7.2%、7.2%、11.8%、9.5%のDice係数、P、R、F1をそれぞれ改善している。
• 参考スコア（独自算出の注目度）: 5.161531917413708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning algorithms are preferable for rectal tumor segmentation. However, it is still a challenge task to accurately segment and identify the locations and sizes of rectal tumors by using deep learning methods. To increase the capability of extracting enough feature information for rectal tumor segmentation, we propose a Covariance Self-Attention Dual Path UNet (CSA-DPUNet). The proposed network mainly includes two improvements on UNet: 1) modify UNet that has only one path structure to consist of two contracting path and two expansive paths (nam new network as DPUNet), which can help extract more feature information from CT images; 2) employ the criss-cross self-attention module into DPUNet, meanwhile, replace the original calculation method of correlation operation with covariance operation, which can further enhances the characterization ability of DPUNet and improves the segmentation accuracy of rectal tumors. Experiments illustrate that compared with the current state-of-the-art results, CSA-DPUNet brings 15.31%, 7.2%, 11.8%, and 9.5% improvement in Dice coefficient, P, R, F1, respectively, which demonstrates that our proposed CSA-DPUNet is effective for rectal tumor segmentation.
• Abstract（参考訳）: 深層学習アルゴリズムは直腸腫瘍セグメンテーションに好適である。 しかし, 深層学習法を用いて直腸腫瘍の位置と大きさを正確に識別することは依然として課題である。 直腸腫瘍セグメント化のための十分な特徴情報を抽出する能力を高めるために,CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 提案されたネットワークは、主にUNetの2つの改善を含んでいる。 1)CT画像からより多くの特徴情報を抽出するのに役立つ2つの収縮経路と2つの拡張経路(新しいネットワークをDPUNetと呼ぶ)からなる1つの経路構造を持つUNetを修正する。 2)criss-cross自己付着モジュールをdpunetに導入し,相関操作の原計算法を共分散操作に置き換え,dpunetのキャラクタリゼーション能力をさらに向上させ,直腸腫瘍の分節精度を向上させる。 実験の結果, csa-dpunetは15.31%, 7.2%, 11.8%, 9.5%のdice係数, p, r, f1が改善し, csa-dpunetは直腸腫瘍の分画に有効であることが示された。

関連論文リスト

• Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade [0.0]
  小児におけるDiffuse Intrinsic Pontine Glioma (DIPG) およびDiffuse Midline Glioma (DMG) 脳腫瘍のモニタリングが治療効果の評価の鍵となる。 RAPNOガイドラインは、MRIボリュームチャレンジを用いてこれらの腫瘍を測定することを推奨している。 最近の研究は、小児脳腫瘍セグメンテーションのための既存のnnU-Netアプローチの新たな適応を提示する。
  論文  参考訳（メタデータ） (2024-10-17T20:46:13Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset [0.0]
  そこで本研究では,BraTS 2019データセットを用いた脳腫瘍セグメンテーションのためのColumbia-University-Netアーキテクチャの新たな実装を提案する。 CU-Netモデルは対称なU字型構造を持ち、畳み込み層、最大プーリング、アップサンプリング演算を用いて高分解能セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-06-19T00:01:01Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• ISA-Net: Improved spatial attention network for PET-CT tumor segmentation [22.48294544919023]
  多モードポジトロン放射トモグラフィー(PET-CT)に基づく深層学習セグメンテーション法を提案する。 腫瘍検出におけるPETやCTの精度を高めるために,改良された空間注意ネットワーク(ISA-Net)を設計した。 今回提案したISA-Net法を,軟部組織肉腫 (STS) と頭頸部腫瘍 (HECKTOR) の2つの臨床データセットで検証した。
  論文  参考訳（メタデータ） (2022-11-04T04:15:13Z)
• Attention Augmented ConvNeXt UNet For Rectal Tumour Segmentation [5.203079341228683]
  深層学習を通して直腸癌腫瘍の位置と大きさを分類することは困難である。 本稿では,注意を拡大したConvNeXt UNet(AACN-UNet)を提案する。 UNetとその変種ネットワークによる実験によると、AACN-UNetはP、F1、Miouの最高値よりも0.9%、1.1%、そして1.4%高い。
  論文  参考訳（メタデータ） (2022-10-01T09:08:43Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。