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
- CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge
Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。
我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。
公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
論文 参考訳(メタデータ) (2024-03-03T13:36:07Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for
Semi-supervised Polyp Segmentation [52.06525450636897]
大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。
既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。
大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
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) - Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and
Neck CT Images [18.96016069277052]
頭頸部CT画像において,9つの重要な臓器-リスク (OAR) を自動デライン化するための新しい二重形状ガイドネットワーク(DSGnet)を提案する。
臓器特異的逆距離マップ(UIDM)を用いたCT画像におけるOARの大きな形状変化と境界の曖昧さに対処するため,臓器形状を表現した。
9つの重要なOARに対して0.842のDice similarity Coefficient(DSC)の総合値は、デライン化品質を改善し、時間的コストを低減させる大きな可能性を示している。
論文 参考訳(メタデータ) (2021-10-23T10:53:37Z) - Self-transfer learning via patches: A prostate cancer triage approach
based on bi-parametric MRI [1.3934382972253603]
前立腺癌(PCa)は世界で2番目に多いがんである。
現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。
臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
論文 参考訳(メタデータ) (2021-07-22T17:02:38Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - 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。