論文の概要: MSRF-Net: A Multi-Scale Residual Fusion Network for Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2105.07451v1
• Date: Sun, 16 May 2021 15:19:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 06:14:36.742599
• Title: MSRF-Net: A Multi-Scale Residual Fusion Network for Biomedical Image Segmentation
• Title（参考訳）: MSRF-Net:バイオメディカルイメージセグメンテーションのためのマルチスケール残留核融合ネットワーク
• Authors: Abhishek Srivastava, Debesh Jha, Sukalpa Chanda, Umapada Pal, H{\aa}vard D. Johansen, Dag Johansen, Michael A. Riegler, Sharib Ali, P{\aa}l Halvorsen
• Abstract要約: 医用画像分割タスクに特化して設計されたMSRF-Netという新しいアーキテクチャを提案する。 MSRF-Netは、デュアルスケール高密度核融合ブロック(DSDF)を用いて、様々な受容場のマルチスケール特徴を交換できる 我々のDSDFブロックは2つの異なる解像度スケールで情報交換が可能であり、MSRFサブネットワークは複数のDSDFブロックを順次使用してマルチスケール融合を行う。
• 参考スコア（独自算出の注目度）: 10.979393806308648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methods based on convolutional neural networks have improved the performance of biomedical image segmentation. However, most of these methods cannot efficiently segment objects of variable sizes and train on small and biased datasets, which are common in biomedical use cases. While methods exist that incorporate multi-scale fusion approaches to address the challenges arising with variable sizes, they usually use complex models that are more suitable for general semantic segmentation computer vision problems. In this paper, we propose a novel architecture called MSRF-Net, which is specially designed for medical image segmentation tasks. The proposed MSRF-Net is able to exchange multi-scale features of varying receptive fields using a dual-scale dense fusion block (DSDF). Our DSDF block can exchange information rigorously across two different resolution scales, and our MSRF sub-network uses multiple DSDF blocks in sequence to perform multi-scale fusion. This allows the preservation of resolution, improved information flow, and propagation of both high- and low-level features to obtain accurate segmentation maps. The proposed MSRF-Net allows to capture object variabilities and provides improved results on different biomedical datasets. Extensive experiments on MSRF-Net demonstrate that the proposed method outperforms most of the cutting-edge medical image segmentation state-of-the-art methods. MSRF-Net advances the performance on four publicly available datasets, and also, MSRF-Net is more generalizable as compared to state-of-the-art methods.
• Abstract（参考訳）: 畳み込みニューラルネットワークに基づく手法により,バイオメディカルイメージセグメンテーションの性能が向上した。 しかし、これらの手法のほとんどは、生物医学的なユースケースで一般的な、可変サイズのオブジェクトを効率的に分割し、小さな偏りのあるデータセットで訓練することができない。 可変サイズに起因する課題に対処するために、マルチスケールの融合アプローチを取り入れた手法が存在するが、一般的には、一般的なセマンティックセグメンテーションコンピュータビジョン問題に適した複雑なモデルを使用する。 本稿では,医用画像分割タスク用に特別に設計されたMSRF-Netという新しいアーキテクチャを提案する。 提案したMSRF-Netは,デュアルスケール高密度核融合ブロック(DSDF)を用いて,様々な受容場のマルチスケール特徴を交換できる。 DSDFブロックは2つの解像度スケールで情報交換を行うことができ、MSRFサブネットワークは複数のDSDFブロックを順次使用してマルチスケール融合を行う。 これにより、解像度の保存、情報フローの改善、高レベルの特徴と低レベルの特徴の伝播が可能になり、正確なセグメンテーションマップが得られる。 提案したMSRF-Netは、オブジェクトの変動をキャプチャし、異なるバイオメディカルデータセットで改善された結果を提供する。 MSRF-Netにおける広範囲な実験により,提案手法は最先端の医用画像分割法よりも優れていることが示された。 MSRF-Netは4つの公開データセットのパフォーマンスを向上し、また最先端の手法に比べてMSRF-Netはより一般化可能である。

関連論文リスト

• TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
  医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。 医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。 我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
  論文  参考訳（メタデータ） (2024-10-01T18:22:34Z)
• Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
  医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。 MFMSAブロックは空間的特徴抽出の過程を洗練させる。 E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
  論文  参考訳（メタデータ） (2024-05-10T07:34:36Z)
• MFA-Net: Multi-Scale feature fusion attention network for liver tumor segmentation [36.837642256513426]
  本稿では,MFA-Net というアテンション機構に基づく新たなセグメンテーションフレームワークを提案する。 提案するフレームワークは,複数のスケールでより意味のある特徴マップを学習し,より正確な自動セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-05-07T07:10:44Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Interpretable Small Training Set Image Segmentation Network Originated from Multi-Grid Variational Model [5.283735137946097]
  深層学習法 (DL) が提案され, 画像分割に広く利用されている。 DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。 本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
  論文  参考訳（メタデータ） (2023-06-25T02:34:34Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• 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)
• Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention and Dynamic Resampling [13.542898009730804]
  関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。 We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。 マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-09-05T17:24:23Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。