論文の概要: RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging

• arxiv url: http://arxiv.org/abs/2108.02508v1
• Date: Thu, 5 Aug 2021 10:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 19:51:20.036511
• Title: RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging
• Title（参考訳）: RCA-IUnet : 乳房超音波画像における腫瘍分節の出現誘導U-Netモデル
• Authors: Narinder Singh Punn, Sonali Agarwal
• Abstract要約: 本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
• 参考スコア（独自算出の注目度）: 0.6091702876917281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancements in deep learning technologies have produced immense contribution to biomedical image analysis applications. With breast cancer being the common deadliest disease among women, early detection is the key means to improve survivability. Medical imaging like ultrasound presents an excellent visual representation of the functioning of the organs; however, for any radiologist analysing such scans is challenging and time consuming which delays the diagnosis process. Although various deep learning based approaches are proposed that achieved promising results, the present article introduces an efficient residual cross-spatial attention guided inception U-Net (RCA-IUnet) model with minimal training parameters for tumor segmentation using breast ultrasound imaging to further improve the segmentation performance of varying tumor sizes. The RCA-IUnet model follows U-Net topology with residual inception depth-wise separable convolution and hybrid pooling (max pooling and spectral pooling) layers. In addition, cross-spatial attention filters are added to suppress the irrelevant features and focus on the target structure. The segmentation performance of the proposed model is validated on two publicly available datasets using standard segmentation evaluation metrics, where it outperformed the other state-of-the-art segmentation models.
• Abstract（参考訳）: 深層学習技術の進歩は、バイオメディカル画像解析の応用に多大な貢献をもたらした。 乳がんは女性にとって最も多い致死性疾患であり、早期発見は生存可能性を高める鍵となる手段である。 超音波のような医用イメージングは臓器の機能の優れた視覚的表現を示すが、そのようなスキャンを分析する放射線科医にとっては困難で時間がかかり、診断プロセスが遅れる。 そこで本研究では,乳房超音波画像を用いた腫瘍セグメント化の訓練パラメータを最小に抑え,腫瘍サイズによるセグメント化性能をさらに向上させるため,高効率な空間間注意誘導型u-net(rca-iunet)モデルを提案する。 RCA-IUnet モデルは、U-Net トポロジーに従っており、奥行きの深い分離可能な畳み込みとハイブリッドプール(最大プールとスペクトルプール)層が残っている。 さらに、無関係な特徴を抑制し、ターゲット構造に集中するために、空間横断型注意フィルタが追加される。 提案モデルのセグメンテーション性能は、標準セグメンテーション評価指標を用いて2つの公開データセット上で検証され、他の最先端セグメンテーションモデルよりも優れていた。

関連論文リスト

• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• Intelligent Breast Cancer Diagnosis with Heuristic-assisted Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
  乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。 悪性の腫瘤を正確に識別することは 依然として困難です マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T10:22:14Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Classification of Breast Cancer Lesions in Ultrasound Images by using Attention Layer and loss Ensembles in Deep Convolutional Neural Networks [0.0]
  本稿では,VGG16アーキテクチャーのアテンションモジュールを用いた乳癌病変の分類のための新しい枠組みを提案する。 また,双曲性コサイン損失の二値交互エントロピーと対数の組み合わせである新たなアンサンブル損失関数を提案し,分類病変とそのラベル間のモデル差を改善する。 本研究で提案したモデルは,93%の精度で他の改良VGG16アーキテクチャよりも優れており,乳がん病変の分類のための他の技術フレームワークと競合する結果となった。
  論文  参考訳（メタデータ） (2021-02-23T06:49:12Z)
• Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
  平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。 また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
  論文  参考訳（メタデータ） (2021-01-27T08:20:49Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。