論文の概要: MISSFormer: An Effective Medical Image Segmentation Transformer

• arxiv url: http://arxiv.org/abs/2109.07162v1
• Date: Wed, 15 Sep 2021 08:56:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 15:00:53.838275
• Title: MISSFormer: An Effective Medical Image Segmentation Transformer
• Title（参考訳）: MISSFormer:効果的な医用画像分割変換器
• Authors: Xiaohong Huang, Zhifang Deng, Dandan Li, Xueguang Yuan
• Abstract要約: CNNベースの手法は、医用画像のセグメンテーションにおいて顕著な成果を上げている。 トランスフォーマーベースの手法は、近ごろ、長距離依存の容量のため、視覚タスクで人気がある。 MISSFormerは,効果的かつ強力な医用画像tranSFormerである。
• 参考スコア（独自算出の注目度）: 3.441872541209065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The CNN-based methods have achieved impressive results in medical image segmentation, but it failed to capture the long-range dependencies due to the inherent locality of convolution operation. Transformer-based methods are popular in vision tasks recently because of its capacity of long-range dependencies and get a promising performance. However, it lacks in modeling local context, although some works attempted to embed convolutional layer to overcome this problem and achieved some improvement, but it makes the feature inconsistent and fails to leverage the natural multi-scale features of hierarchical transformer, which limit the performance of models. In this paper, taking medical image segmentation as an example, we present MISSFormer, an effective and powerful Medical Image Segmentation tranSFormer. MISSFormer is a hierarchical encoder-decoder network and has two appealing designs: 1) A feed forward network is redesigned with the proposed Enhanced Transformer Block, which makes features aligned adaptively and enhances the long-range dependencies and local context. 2) We proposed Enhanced Transformer Context Bridge, a context bridge with the enhanced transformer block to model the long-range dependencies and local context of multi-scale features generated by our hierarchical transformer encoder. Driven by these two designs, the MISSFormer shows strong capacity to capture more valuable dependencies and context in medical image segmentation. The experiments on multi-organ and cardiac segmentation tasks demonstrate the superiority, effectiveness and robustness of our MISSFormer, the exprimental results of MISSFormer trained from scratch even outperforms state-of-the-art methods pretrained on ImageNet, and the core designs can be generalized to other visual segmentation tasks. The code will be released in Github.
• Abstract（参考訳）: CNNベースの手法は, 医用画像分割において顕著な結果を得たが, 畳み込み操作の局所性のため, 長距離依存を捉えられなかった。 トランスフォーマティブベースのメソッドは最近、長期依存の能力があり、有望なパフォーマンスを得られるため、ビジョンタスクで人気がある。 しかし、局所的な文脈のモデリングには欠如しているが、この問題を克服するために畳み込み層を組み込むことを試み、いくつかの改善を達成した作品もあるが、この機能は一貫性を持たず、モデルの性能を制限する階層的トランスフォーマーの自然なマルチスケールな特徴を活用できない。 本稿では,医療用画像セグメンテーションを例として,有効かつ強力な医用画像セグメンテーショントランスであるmissformerを提案する。 MISSFormerは階層型エンコーダデコーダネットワークであり、2つの魅力的な設計がある。 1) フィードフォワードネットワークは,拡張トランスフォーマーブロック(Enhanced Transformer Block)によって再設計された。 2) 拡張変換器コンテキストブリッジは拡張変換器ブロックを備えたコンテキストブリッジであり,階層変換器エンコーダが生成するマルチスケール機能の長距離依存性と局所的コンテキストをモデル化する。 この2つの設計により、ミスフォーマーは医療画像のセグメンテーションにおいてより価値のある依存関係とコンテキストをキャプチャする能力を示す。 マルチオルガンおよび心臓分節タスクの実験では,ミスフォーマの優劣,有効性,頑健性,スクラッチからトレーニングしたミスフォーマの体験結果がimagenetで事前学習した最先端の手法よりも優れており,コアデザインは他の視覚分節タスクに一般化することができる。 コードはgithubでリリースされる予定だ。

関連論文リスト

• 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)
• SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical Image Segmentation [0.0]
  医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。 提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。 UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
  論文  参考訳（メタデータ） (2023-10-16T01:13:38Z)
• Enhancing Medical Image Segmentation with TransCeption: A Multi-Scale Feature Fusion Approach [3.9548535445908928]
  CNNベースの手法は、その有望な性能と堅牢性のために、医用画像セグメンテーションの基盤となっている。 グローバルな文脈相関をモデル化するために受信フィールドを拡大するため,トランスフォーマーベースのアプローチが普及している。 本稿では,トランスセグメンテーション(TransCeption for Medical Image segmentation)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T22:09:07Z)
• TransNorm: Transformer Provides a Strong Spatial Normalization Mechanism for a Deep Segmentation Model [4.320393382724066]
  畳み込みニューラルネットワーク(CNN)は、医療画像処理時代の主流技術である。 本稿では,Transformerモジュールをエンコーダとスキップ接続の両方に統合する,新しいディープセグメンテーションフレームワークであるTrans-Normを提案する。
  論文  参考訳（メタデータ） (2022-07-27T09:54:10Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Rich CNN-Transformer Feature Aggregation Networks for Super-Resolution [50.10987776141901]
  近年の視覚変換器と自己注意は,様々なコンピュータビジョンタスクにおいて有望な成果を上げている。 我々は,CNNの局所的特徴とトランスフォーマーが捉えた長距離依存性を活用する,超解像(SR)タスクのための効果的なハイブリッドアーキテクチャを提案する。 提案手法は,多数のベンチマークデータセットから最先端のSR結果を得る。
  論文  参考訳（メタデータ） (2022-03-15T06:52:25Z)
• DS-TransUNet:Dual Swin Transformer U-Net for Medical Image Segmentation [18.755217252996754]
  我々はDual Swin Transformer U-Net(DS-TransUNet)と呼ばれる新しいディープ・メディカル・イメージ・セグメンテーション・フレームワークを提案する。 従来のTransformerベースのソリューションとは異なり、提案されたDS-TransUNetは、まずSwin Transformerをベースとしたデュアルスケールエンコーダワークを採用し、異なる意味尺度の粗くきめ細かな特徴表現を抽出する。 DS-TransUNetのコアコンポーネントであるTransformer Interactive Fusion (TIF)モジュールは,自己保持機構を通じて異なるスケールの特徴間のグローバルな依存関係を効果的に確立するために提案されている。
  論文  参考訳（メタデータ） (2021-06-12T08:37:17Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)
• 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)

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。