論文の概要: Graph-based Pyramid Global Context Reasoning with a Saliency-aware
Projection for COVID-19 Lung Infections Segmentation
- arxiv url: http://arxiv.org/abs/2103.04235v1
- Date: Sun, 7 Mar 2021 02:28:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 23:16:47.161358
- Title: Graph-based Pyramid Global Context Reasoning with a Saliency-aware
Projection for COVID-19 Lung Infections Segmentation
- Title(参考訳): グラフベースピラミッドグローバルコンテキスト推論によるCOVID-19肺感染症セグメンテーションの検討
- Authors: Huimin Huang, Ming Cai, Lanfen Lin, Jing Zheng, Xiongwei Mao, Xiaohan
Qian, Zhiyi Peng, Jianying Zhou, Yutaro Iwamoto, Xian-Hua Han, Yen-Wei Chen,
Ruofeng Tong
- Abstract要約: グラフベースのPyramid Global Context Reasoning(Graph-PGCR)モジュールを提案する。
異種感染症間の長距離依存性をモデル化し、サイズの変化を適応させることができる。
当社のGraph-PGCRモジュールはプラグアンドプレイで、パフォーマンスを向上させるためにあらゆるアーキテクチャに統合できます。
- 参考スコア(独自算出の注目度): 16.94939282349418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coronavirus Disease 2019 (COVID-19) has rapidly spread in 2020, emerging a
mass of studies for lung infection segmentation from CT images. Though many
methods have been proposed for this issue, it is a challenging task because of
infections of various size appearing in different lobe zones. To tackle these
issues, we propose a Graph-based Pyramid Global Context Reasoning (Graph-PGCR)
module, which is capable of modeling long-range dependencies among disjoint
infections as well as adapt size variation. We first incorporate graph
convolution to exploit long-term contextual information from multiple lobe
zones. Different from previous average pooling or maximum object probability,
we propose a saliency-aware projection mechanism to pick up infection-related
pixels as a set of graph nodes. After graph reasoning, the relation-aware
features are reversed back to the original coordinate space for the down-stream
tasks. We further con- struct multiple graphs with different sampling rates to
handle the size variation problem. To this end, distinct multi-scale long-range
contextual patterns can be captured. Our Graph- PGCR module is plug-and-play,
which can be integrated into any architecture to improve its performance.
Experiments demonstrated that the proposed method consistently boost the
performance of state-of-the-art backbone architectures on both of public and
our private COVID-19 datasets.
- Abstract(参考訳): コロナウイルス病2019(COVID-19)は2020年に急速に広まり、CT画像から肺感染症のセグメンテーションに関する大量の研究が浮かび上がっている。
この問題には多くの方法が提案されているが、さまざまなサイズの感染が異なるローブゾーンに現れるため、それは困難な課題である。
そこで本研究では,不整合感染の長期依存性のモデル化とサイズ変化の適応が可能なグラフベースのPyramid Global Context Reasoning(Graph-PGCR)モジュールを提案する。
最初にグラフ畳み込みを組み込んで、複数のローブゾーンから長期のコンテキスト情報を利用する。
従来の平均プールや最大オブジェクト確率とは異なり、感染関連ピクセルをグラフノードの集合としてピックアップするサリエンシー対応のプロジェクションメカニズムを提案する。
グラフ推論の後、関係認識機能はダウンストリームタスクのために元の座標空間に戻される。
さらに,異なるサンプリングレートで複数のグラフをコンストラクトして,サイズ変動問題に対処する。
この目的のために、異なるマルチスケールの長距離コンテキストパターンをキャプチャできる。
当社のGraph-PGCRモジュールはプラグアンドプレイで、パフォーマンスを向上させるためにあらゆるアーキテクチャに統合できます。
実験により、提案手法は、パブリックとプライベートのCOVID-19データセットの両方において、最先端のバックボーンアーキテクチャのパフォーマンスを継続的に向上することを示した。
関連論文リスト
- DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland
Instance Segmentation [1.907126872483548]
これらの問題を解決するために、変位場支援グラフエネルギー送信機(DFGET)フレームワークを提案する。
具体的には、異方性拡散に基づく新しいメッセージパッシング手法を開発し、ノードの特徴を更新する。
DFの制約により、拡散理論に基づくグラフクラスタモジュールがクラス内の特徴整合性を改善するために提示される。
論文 参考訳(メタデータ) (2023-12-11T01:42:10Z) - MUSTANG: Multi-Stain Self-Attention Graph Multiple Instance Learning
Pipeline for Histopathology Whole Slide Images [1.127806343149511]
Whole Slide Images (WSIs)は、ギガピクセルサイズとアーティファクトの存在により、コンピュータビジョンの課題を提示している。
実世界の臨床データセットは、患者レベルにラベルがある異種WSIのセットとして提供され、アノテーションが不足している。
本稿では,エンドツーエンドのマルチスタンプ・セルフアテンション・グラフ(MUSTANG)マルチインスタンス学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-09-19T14:30:14Z) - A fast topological approach for predicting anomalies in time-varying
graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。
本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。
実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文 参考訳(メタデータ) (2023-05-11T01:54:45Z) - Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。
従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。
この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
論文 参考訳(メタデータ) (2023-01-12T09:53:57Z) - Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。
骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。
SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
論文 参考訳(メタデータ) (2022-07-31T05:51:39Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-12-19T05:04:53Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳(メタデータ) (2021-08-09T04:58:23Z) - AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network
for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。
また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-06-16T12:13:23Z) - Learning Multi-Granular Hypergraphs for Video-Based Person
Re-Identification [110.52328716130022]
ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。
MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。
MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
論文 参考訳(メタデータ) (2021-04-30T11:20:02Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳(メタデータ) (2020-08-25T06:00:06Z)
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。