論文の概要: Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images
- arxiv url: http://arxiv.org/abs/2104.03715v1
- Date: Thu, 8 Apr 2021 12:09:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 13:13:40.057704
- Title: Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images
- Title（参考訳）: 3次元CT画像による動詞分割のためのアラスラス残差接続エンコーダとアテンションデコーダフレームワーク
- Authors: Wenqiang Li, YM Tang, Ziyang Wang, KM Yu, Sandy To
- Abstract要約: 本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
- 参考スコア（独自算出の注目度）: 1.8146155083014204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic medical image segmentation based on Computed Tomography (CT) has
been widely applied for computer-aided surgery as a prerequisite. With the
development of deep learning technologies, deep convolutional neural networks
(DCNNs) have shown robust performance in automated semantic segmentation of
medical images. However, semantic segmentation algorithms based on DCNNs still
meet the challenges of feature loss between encoder and decoder, multi-scale
object, restricted field of view of filters, and lack of medical image data.
This paper proposes a novel algorithm for automated vertebrae segmentation via
3D volumetric spine CT images. The proposed model is based on the structure of
encoder to decoder, using layer normalization to optimize mini-batch training
performance. To address the concern of the information loss between encoder and
decoder, we designed an Atrous Residual Path to pass more features from encoder
to decoder instead of an easy shortcut connection. The proposed model also
applied the attention module in the decoder part to extract features from
variant scales. The proposed model is evaluated on a publicly available dataset
by a variety of metrics. The experimental results show that our model achieves
competitive performance compared with other state-of-the-art medical semantic
segmentation methods.
- Abstract（参考訳）: コンピュータ支援手術の前提条件としてctを用いた医用画像の自動セグメンテーションが広く適用されている。
深層学習技術の発展に伴い、深層畳み込みニューラルネットワーク(dcnn)は、医用画像の自動意味セグメンテーションにおいて堅牢な性能を示している。
しかし,DCNNに基づくセマンティックセグメンテーションアルゴリズムは,エンコーダとデコーダの機能損失,マルチスケールオブジェクト,フィルタの視野の制限,医用画像データの欠如といった課題をまだ満たしている。
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
エンコーダとデコーダ間の情報損失の懸念に対処するため、簡単なショートカット接続ではなく、エンコーダからデコーダへより多くの機能を渡すためにAtrous Residual Pathを設計した。
提案モデルでは,デコーダ部分のアテンションモジュールを用いて,変動スケールの特徴を抽出する。
提案モデルは,様々な指標を用いて公開データセット上で評価される。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
関連論文リスト
- Light-weight Retinal Layer Segmentation with Global Reasoning [14.558920359236572]
OCT画像に適用可能な網膜層セグメンテーションのためのLightReSegを提案する。
提案手法は,現在の最先端技術であるTransUnetと比較して,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） (2024-04-25T05:42:41Z) - Rethinking Boundary Detection in Deep Learning Models for Medical Image
Segmentation [27.322629156662547]
Convolution, Transformer, Operator (CTO) と呼ばれる新しいネットワークアーキテクチャを提案する。
CTOは、高い認識精度を達成するために、畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、および明示的な境界検出演算子を組み合わせている。
提案手法の性能を6つの挑戦的医用画像セグメンテーションデータセットで評価した。
論文 参考訳（メタデータ） (2023-05-01T06:13:08Z) - Dilated-UNet: A Fast and Accurate Medical Image Segmentation Approach
using a Dilated Transformer and U-Net Architecture [0.6445605125467572]
本稿では,Dilated-UNetについて紹介する。Dilated-UNetはDilated TransformerブロックとU-Netアーキテクチャを組み合わせることで,高精度かつ高速な医用画像セグメンテーションを実現する。
実験の結果,Dilated-UNetはいくつかの挑戦的な医用画像セグメンテーションデータセットにおいて,他のモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-22T17:20:13Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。
Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。
提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
論文 参考訳（メタデータ） (2022-07-21T22:17:21Z) - UNetFormer: A Unified Vision Transformer Model and Pre-Training
Framework for 3D Medical Image Segmentation [14.873473285148853]
UNetFormerと呼ばれる2つのアーキテクチャで構成され,3D Swin TransformerベースのエンコーダとConal Neural Network(CNN)とTransformerベースのデコーダを備えている。
提案モデルでは, 5つの異なる解像度でのスキップ接続により, エンコーダをデコーダにリンクする。
本稿では,ランダムにマスクされたトークンを予測する学習を通じて,エンコーダバックボーンの自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-01T17:38:39Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラル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） (2021-09-18T00:21:17Z) - Dynamic Neural Representational Decoders for High-Resolution Semantic
Segmentation [98.05643473345474]
動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。
エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。
このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
論文 参考訳（メタデータ） (2021-07-30T04:50:56Z) - UNETR: Transformers for 3D Medical Image Segmentation [8.59571749685388]
UNEt TRansformers(UNETR)と呼ばれる新しいアーキテクチャを導入し、純粋なトランスフォーマーをエンコーダとして入力ボリュームのシーケンス表現を学習します。
提案モデルの性能を様々なイメージング手法で広く検証しています。
論文 参考訳（メタデータ） (2021-03-18T20:17:15Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳（メタデータ） (2021-02-08T16:10:50Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z)
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。