論文の概要: 3D Medical Multi-modal Segmentation Network Guided by Multi-source
Correlation Constraint
- arxiv url: http://arxiv.org/abs/2102.03111v1
- Date: Fri, 5 Feb 2021 11:23:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 14:43:50.917304
- Title: 3D Medical Multi-modal Segmentation Network Guided by Multi-source
Correlation Constraint
- Title(参考訳): マルチソース相関制約による3次元医用マルチモーダルセグメンテーションネットワーク
- Authors: Tongxue Zhou, St\'ephane Canu, Pierre Vera and Su Ruan
- Abstract要約: 相関制約付き多モードセグメンテーションネットワークを提案する。
実験の結果,BraTS-2018データセットを用いて脳腫瘍のセグメンテーション実験を行い,本手法の有効性を実証した。
- 参考スコア(独自算出の注目度): 2.867517731896504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of multimodal segmentation, the correlation between different
modalities can be considered for improving the segmentation results. In this
paper, we propose a multi-modality segmentation network with a correlation
constraint. Our network includes N model-independent encoding paths with N
image sources, a correlation constraint block, a feature fusion block, and a
decoding path. The model independent encoding path can capture
modality-specific features from the N modalities. Since there exists a strong
correlation between different modalities, we first propose a linear correlation
block to learn the correlation between modalities, then a loss function is used
to guide the network to learn the correlated features based on the linear
correlation block. This block forces the network to learn the latent correlated
features which are more relevant for segmentation. Considering that not all the
features extracted from the encoders are useful for segmentation, we propose to
use dual attention based fusion block to recalibrate the features along the
modality and spatial paths, which can suppress less informative features and
emphasize the useful ones. The fused feature representation is finally
projected by the decoder to obtain the segmentation result. Our experiment
results tested on BraTS-2018 dataset for brain tumor segmentation demonstrate
the effectiveness of our proposed method.
- Abstract(参考訳): マルチモーダルセグメンテーションの分野では、セグメンテーション結果を改善するために異なるモダリティ間の相関を考慮することができる。
本稿では,相関制約付き多モードセグメンテーションネットワークを提案する。
我々のネットワークは、Nモデル非依存の符号化パスとN画像ソース、相関制約ブロック、特徴融合ブロック、デコードパスを含む。
モデル独立符号化パスは n 個のモダリティからモダリティ特有の特徴をキャプチャすることができる。
異なるモダリティの間に強い相関が存在するため、まずモダリティ間の相関を学習するための線形相関ブロックを提案し、次に、線形相関ブロックに基づいて相関特徴を学習するためにネットワークを導くために損失関数を使用する。
このブロックは、ネットワークにセグメンテーションに関連のある潜在相関機能を学ぶように強制します。
エンコーダから抽出された全ての特徴がセグメンテーションに有用であるわけではないことを考慮し,2重注意に基づく融合ブロックを用いて,モダリティや空間的経路に沿った特徴を再検討し,少ない情報的特徴を抑え,有用な特徴を強調することを提案する。
融合特徴表現は最終的にデコーダによって投影され、セグメンテーション結果が得られる。
脳腫瘍分割のためのBraTS-2018データセットで実験を行った結果,提案手法の有効性が示された。
関連論文リスト
- Discriminative Co-Saliency and Background Mining Transformer for
Co-Salient Object Detection [111.04994415248736]
我々は差別的共存とバックグラウンドマイニング・トランスフォーマー・フレームワーク(DMT)を提案する。
我々は2種類の事前定義されたトークンを用いて、コントラスト誘起画素間相関モジュールとコサリエンストークン間相関モジュールを用いて、コサリエンシと背景情報をマイニングする。
3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-04-30T15:56:47Z) - FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced
Context-Aware Network [48.912196729711624]
Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。
本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。
さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
論文 参考訳(メタデータ) (2023-01-19T16:31:13Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image
Segmentation [98.90623605283564]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳(メタデータ) (2022-12-08T18:59:57Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳(メタデータ) (2022-02-10T06:23:56Z) - A Tri-attention Fusion Guided Multi-modal Segmentation Network [2.867517731896504]
本稿では,新しい三点融合による多モードセグメンテーションネットワークを提案する。
我々のネットワークは、N個の画像ソースを持つN個のモデル非依存の符号化パス、三つのアテンション融合ブロック、二重アテンション融合ブロック、デコードパスを含む。
実験の結果,BraTS 2018データセットを用いて脳腫瘍セグメント化実験を行い,提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2021-11-02T14:36:53Z) - MA-Unet: An improved version of Unet based on multi-scale and attention
mechanism for medical image segmentation [4.082245106486775]
畳み込みニューラルネットワーク(CNN)は、医用画像セマンティックセグメンテーションの開発を促進する。
本稿では,アテンションゲート(AG)を追加し,スキップ接続操作における意味的曖昧さを解消する。
本モデルでは,より少ないパラメータを導入しながら,セグメンテーション性能が向上する。
論文 参考訳(メタデータ) (2020-12-20T15:29:18Z) - 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) - Adaptive feature recombination and recalibration for semantic
segmentation with Fully Convolutional Networks [57.64866581615309]
完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。
その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
論文 参考訳(メタデータ) (2020-06-19T15:45:03Z) - Brain tumor segmentation with missing modalities via latent multi-source
correlation representation [6.060020806741279]
遅延多ソース相関を特殊に発見するために,新しい相関表現ブロックを提案する。
得られた相関表現のおかげで、モダリティが欠落した場合、セグメンテーションはより堅牢になる。
当社のモデルはBraTS 2018データセット上で評価され、現在の最先端メソッドよりも優れており、1つ以上のモダリティが欠如している場合に堅牢な結果が得られます。
論文 参考訳(メタデータ) (2020-03-19T15:47:36Z)
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。