論文の概要: Studying the Effects of Self-Attention for Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2109.01486v1
• Date: Thu, 2 Sep 2021 07:07:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 23:32:53.767007
• Title: Studying the Effects of Self-Attention for Medical Image Analysis
• Title（参考訳）: 医用画像解析における自己注意の効果の検討
• Authors: Adrit Rao, Jongchan Park, Sanghyun Woo, Joon-Young Lee, Oliver Aalami
• Abstract要約: 複数の医用画像解析タスクにおける最先端の自己認識機構の比較を行った。 我々は,医療用コンピュータビジョンタスクにおける自己注意の効果について,より深く理解することを目的としている。
• 参考スコア（独自算出の注目度）: 42.12044020360494
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: When the trained physician interprets medical images, they understand the clinical importance of visual features. By applying cognitive attention, they apply greater focus onto clinically relevant regions while disregarding unnecessary features. The use of computer vision to automate the classification of medical images is widely studied. However, the standard convolutional neural network (CNN) does not necessarily employ subconscious feature relevancy evaluation techniques similar to the trained medical specialist and evaluates features more generally. Self-attention mechanisms enable CNNs to focus more on semantically important regions or aggregated relevant context with long-range dependencies. By using attention, medical image analysis systems can potentially become more robust by focusing on more important clinical feature regions. In this paper, we provide a comprehensive comparison of various state-of-the-art self-attention mechanisms across multiple medical image analysis tasks. Through both quantitative and qualitative evaluations along with a clinical user-centric survey study, we aim to provide a deeper understanding of the effects of self-attention in medical computer vision tasks.
• Abstract（参考訳）: 訓練医が医用画像の解釈を行うと、視覚的特徴の臨床的重要性を理解する。 認知的注意を加えることで、不要な特徴を無視しながら、臨床的に関係のある領域により多くの焦点をあてる。 医用画像の自動分類におけるコンピュータビジョンの利用について検討した。 しかし、標準畳み込みニューラルネットワーク(CNN)は、訓練された医療専門家と同様の意識的特徴関連性評価技術を採用し、より一般的に特徴を評価する必要はない。 セルフアテンション機構により、cnnは、意味的に重要な領域や、長距離の依存関係を持つ関連するコンテキストを集約することに集中することができる。 注意力を利用することで、より重要な臨床特徴領域に焦点を当てることで、医療画像分析システムはより堅牢になる可能性がある。 本稿では,複数の医用画像解析タスクに対して,最先端の自己認識機構を包括的に比較する。 定量的・質的評価と臨床ユーザ中心の調査を通じて,医療用コンピュータビジョンタスクにおけるセルフ・アテンションの効果をより深く理解することを目的としている。

関連論文リスト

• When Medical Imaging Met Self-Attention: A Love Story That Didn't Quite Work Out [8.113092414596679]
  2つの異なる医療データセットに異なる自己注意変異を持つ、広く採用されている2つの畳み込みアーキテクチャを拡張します。 完全畳み込みモデルに比べてバランスの取れた精度は著しく改善されていない。 また, 皮膚病変画像における皮膚内視鏡像などの重要な特徴は, 自己注意を用いても学ばないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-18T16:18:41Z)
• A hybrid approach for improving U-Net variants in medical image segmentation [0.0]
  医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。 生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。 本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
  論文  参考訳（メタデータ） (2023-07-31T07:43:45Z)
• Attention Mechanisms in Medical Image Segmentation: A Survey [41.093501592520326]
  本稿では,注意機構の基本原理とその医用画像分割への応用を体系的に検討する。 医用画像のセグメンテーションに関する300以上の記事を調査し,その注意機構,非変圧器の注意,変圧器の注意に基づいて2つのグループに分けた。
  論文  参考訳（メタデータ） (2023-05-29T08:00:54Z)
• A survey on attention mechanisms for medical applications: are we moving towards better algorithms? [2.8101673772585736]
  本稿では,機械学習における注意機構の応用について概説する。 文献で提示される注意機構の主張と可能性に関する批判的分析を提案する。 これらの枠組みの恩恵を受ける可能性のある医学応用の今後の研究線を提案する。
  論文  参考訳（メタデータ） (2022-04-26T16:04:19Z)
• Leveraging Human Selective Attention for Medical Image Analysis with Limited Training Data [72.1187887376849]
  選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。 本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。 本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-02T07:55:25Z)
• Attention Mechanisms in Computer Vision: A Survey [75.6074182122423]
  本稿では,コンピュータビジョンにおける様々な注意機構について概観する。 チャネルアテンション,空間アテンション,時間アテンション,分岐アテンションなど,アプローチによって分類する。 我々は注意機構研究の今後の方向性を提案する。
  論文  参考訳（メタデータ） (2021-11-15T09:18:40Z)
• MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
  医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。 我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
  論文  参考訳（メタデータ） (2021-10-12T15:05:15Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。