論文の概要: CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects
- arxiv url: http://arxiv.org/abs/2108.07368v1
- Date: Mon, 16 Aug 2021 22:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:10:44.851686
- Title: CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects
- Title（参考訳）: CaraNet:小さな医療対象のセグメンテーションのためのコンテキスト軸逆アテンションネットワーク
- Authors: Ange Lou, Shuyue Guan and Murray Loew
- Abstract要約: 本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸予約注意ネットワーク(CaraNet)を提案する。
我々のCaraNetは、Diceのセグメンテーションの精度を最上位で達成していますが、小さな医療オブジェクトのセグメンテーションにおいて、明らかなアドバンテージも示しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting medical images accurately and reliably is important for disease
diagnosis and treatment. It is a challenging task because of the wide variety
of objects' sizes, shapes, and scanning modalities. Recently, many
convolutional neural networks (CNN) have been designed for segmentation tasks
and achieved great success. Few studies, however, have fully considered the
sizes of objects and thus most demonstrate poor performance on segmentation of
small objects segmentation. This can have significant impact on early detection
of disease. This paper proposes a Context Axial Reserve Attention Network
(CaraNet) to improve the segmentation performance on small objects compared
with recent state-of-the-art models. We test our CaraNet on brain tumor (BraTS
2018) and polyp (Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300 and
ETIS-LaribPolypDB) segmentation. Our CaraNet not only achieves the top-rank
mean Dice segmentation accuracy, but also shows a distinct advantage in
segmentation of small medical objects.
- Abstract（参考訳）: 疾患の診断と治療には, 医用画像の正確かつ確実な分離が重要である。
様々な物体のサイズ、形状、および走査モーダル性のため、これは難しい課題である。
近年、多くの畳み込みニューラルネットワーク(CNN)がセグメンテーションタスク用に設計され、大きな成功を収めている。
しかしながら、オブジェクトのサイズを完全に考慮した研究はほとんどなく、したがって、小さなオブジェクトのセグメンテーションにおける性能が低かった。
これは病気の早期発見に大きな影響を与える可能性がある。
本稿では,近年の最先端モデルと比較して,小型オブジェクトのセグメンテーション性能を向上させるためのコンテキスト軸予約注意ネットワーク(CaraNet)を提案する。
脳腫瘍(BraTS 2018)とポリープ(Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, ETIS-LaribPolypDB)のセグメンテーションについて検討した。
われわれのCaraNetは、Diceのセグメンテーションの精度だけでなく、小さな医療オブジェクトのセグメンテーションにおいて明確なアドバンテージも示している。
関連論文リスト
- Advancing Medical Image Segmentation with Mini-Net: A Lightweight Solution Tailored for Efficient Segmentation of Medical Images [18.48562660373185]
Mini-Netは医療画像用に設計された軽量セグメンテーションネットワークである。
パラメータが38,000未満のMini-Netは、高周波数と低周波数の両方を効率的にキャプチャする。
DRIVE, STARE, ISIC-2016, ISIC-2018, MoNuSegなど,様々なデータセット上でMini-Netを評価する。
論文 参考訳（メタデータ） (2024-05-27T11:41:48Z) - CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects [0.0]
本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸逆アテンションネットワーク(CaraNet)を提案する。
我々のCaraNetはDiceセグメンテーションの精度を最上位で達成し、その結果、小さな医療オブジェクトのセグメンテーションにおいてCaraNetの明確な優位性を示している。
論文 参考訳（メタデータ） (2023-01-31T02:12:33Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付き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自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation
for Nasopharyngeal Carcinoma [0.0]
深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。
従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。
本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
論文 参考訳（メタデータ） (2021-12-28T07:48:18Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - w-Net: Dual Supervised Medical Image Segmentation Model with
Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。
提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
論文 参考訳（メタデータ） (2020-11-15T13:54:22Z) - CA-Net: Comprehensive Attention Convolutional Neural Networks for
Explainable Medical Image Segmentation [20.848367370280695]
我々は、CNNアーキテクチャにおける複数の注意点を幅広く活用し、より正確で説明可能な医療画像セグメンテーションのための総合的な注意ベースCNN(CA-Net)を提案する。
皮膚病変では平均セグメンテーションDiceスコアが87.77%から92.08%に有意に改善した。
モデルのサイズは、最先端のDeepLabv3+に比べて15倍小さくなり、精度も向上した。
論文 参考訳（メタデータ） (2020-09-22T13:41:06Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - KiU-Net: Towards Accurate Segmentation of Biomedical Images using
Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。
このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。
早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文 参考訳（メタデータ） (2020-06-08T18:59:24Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z)
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。