論文の概要: FANet: A Feedback Attention Network for Improved Biomedical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2103.17235v1
- Date: Wed, 31 Mar 2021 17:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 17:43:40.002902
- Title: FANet: A Feedback Attention Network for Improved Biomedical Image
Segmentation
- Title(参考訳): fanet:バイオメディカル画像セグメンテーション改善のためのフィードバックアテンションネットワーク
- Authors: Nikhil Kumar Tomar, Debesh Jha, Michael A. Riegler, H{\aa}vard D.
Johansen, Dag Johansen, Jens Rittscher, P{\aa}l Halvorsen, and Sharib Ali
- Abstract要約: フィードバックアテンションネットワーク(FANet)という新しいアーキテクチャを提案する。
FANetは、以前のエポックマスクと現在のトレーニングエポックの特徴マップを統一する。
提案したフィードバックアテンションモデルは,7つの公開バイオメディカルイメージングデータセット上でテストされたほとんどのセグメンテーション指標を大幅に改善することを示す。
- 参考スコア(独自算出の注目度): 0.9904110507833823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increase in available large clinical and experimental datasets,
there has been substantial amount of work being done on addressing the
challenges in the area of biomedical image analysis. Image segmentation, which
is crucial for any quantitative analysis, has especially attracted attention.
Recent hardware advancement has led to the success of deep learning approaches.
However, although deep learning models are being trained on large datasets,
existing methods do not use the information from different learning epochs
effectively. In this work, we leverage the information of each training epoch
to prune the prediction maps of the subsequent epochs. We propose a novel
architecture called feedback attention network (FANet) that unifies the
previous epoch mask with the feature map of the current training epoch. The
previous epoch mask is then used to provide a hard attention to the learnt
feature maps at different convolutional layers. The network also allows to
rectify the predictions in an iterative fashion during the test time. We show
that our proposed feedback attention model provides a substantial improvement
on most segmentation metrics tested on seven publicly available biomedical
imaging datasets demonstrating the effectiveness of the proposed FANet.
- Abstract(参考訳): 利用可能な大規模臨床および実験データセットの増加に伴い、バイオメディカル画像解析の領域における課題に対処するためのかなりの作業が行われている。
画像分割は、あらゆる定量的解析に不可欠であり、特に注目されている。
最近のハードウェアの進歩は、ディープラーニングアプローチの成功につながった。
しかし、ディープラーニングモデルは大規模データセットでトレーニングされているが、既存の方法は異なる学習時代からの情報を効果的に使用していない。
本研究では,各学習エポックの情報を活用して,その後のエポックの予測マップを作成する。
本稿では,従来のエポックマスクと現在のトレーニングエポックの特徴マップを統一した,フィードバックアテンションネットワーク(fanet)と呼ばれる新しいアーキテクチャを提案する。
前のエポックマスクは、異なる畳み込み層で学習した特徴マップに注意を向けるために使われる。
ネットワークはまた、テスト時間中に反復的な方法で予測を正すこともできる。
提案したフィードバックアテンションモデルは,FANetの有効性を示す7つの公開バイオメディカルイメージングデータセット上でテストされた,ほとんどのセグメンテーション指標を大幅に改善することを示す。
関連論文リスト
- Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。
既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。
補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
論文 参考訳(メタデータ) (2024-10-21T13:06:21Z) - Shape-intensity knowledge distillation for robust medical image segmentation [32.182670290036214]
セグメント化ネットワークに結合形状インテンシティ事前情報を組み込む新しい手法を提案する。
5つの医用画像セグメンテーションタスクの実験により,提案した形状-強度知識蒸留(Shape-Intensity Knowledge Distillation)が一貫していくつかのベースラインモデルを改善することが示された。
論文 参考訳(メタデータ) (2024-09-26T03:21:21Z) - Explanations of Classifiers Enhance Medical Image Segmentation via
End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。
我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。
次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。
これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文 参考訳(メタデータ) (2024-01-16T16:18:42Z) - Transfer learning from a sparsely annotated dataset of 3D medical images [4.477071833136902]
本研究では,医療画像における臓器分割のための深部畳み込みニューラルネットワークの性能向上のための伝達学習の活用について検討する。
ベースセグメンテーションモデルは、大小の注釈付きデータセットに基づいてトレーニングされ、その重みは4つの新しい下流セグメンテーションタスクのトランスファー学習に使用された。
その結果,小規模なデータセットが利用可能になった場合には,ベースモデルからの移動学習が有用であることが示唆された。
論文 参考訳(メタデータ) (2023-11-08T21:31:02Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳(メタデータ) (2023-03-21T15:02:50Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳(メタデータ) (2020-11-27T19:18:45Z)
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。