Fugu-MT 論文翻訳(概要): GT U-Net: A U-Net Like Group Transformer Network for Tooth Root Segmentation

論文の概要: GT U-Net: A U-Net Like Group Transformer Network for Tooth Root Segmentation

arxiv url: http://arxiv.org/abs/2109.14813v1
Date: Thu, 30 Sep 2021 02:39:07 GMT
ステータス: 処理完了
システム内更新日: 2021-10-02 04:55:35.419136
Title: GT U-Net: A U-Net Like Group Transformer Network for Tooth Root Segmentation
Title（参考訳）: GT U-Net: 歯根切開のためのU-Netライクなグループトランスネットワーク
Authors: Yunxiang Li, Shuai Wang, Jun Wang, Guodong Zeng, Wenjun Liu, Qianni Zhang, Qun Jin, Yaqi Wang
Abstract要約: 歯根切開のためのグループトランスフォーマーネットワーク(GT U-Net)を提案する。提案するネットワークはU-Netの基本構造を保持するが,各エンコーダとデコーダはグループ変換器に置き換えられる。提案するネットワークは,収集した歯根分節データセットとパブリックレティナデータセットの最先端性能を実現する。
参考スコア（独自算出の注目度）: 11.177365038111438
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To achieve an accurate assessment of root canal therapy, a fundamental step is to perform tooth root segmentation on oral X-ray images, in that the position of tooth root boundary is significant anatomy information in root canal therapy evaluation. However, the fuzzy boundary makes the tooth root segmentation very challenging. In this paper, we propose a novel end-to-end U-Net like Group Transformer Network (GT U-Net) for the tooth root segmentation. The proposed network retains the essential structure of U-Net but each of the encoders and decoders is replaced by a group Transformer, which significantly reduces the computational cost of traditional Transformer architectures by using the grouping structure and the bottleneck structure. In addition, the proposed GT U-Net is composed of a hybrid structure of convolution and Transformer, which makes it independent of pre-training weights. For optimization, we also propose a shape-sensitive Fourier Descriptor (FD) loss function to make use of shape prior knowledge. Experimental results show that our proposed network achieves the state-of-the-art performance on our collected tooth root segmentation dataset and the public retina dataset DRIVE. Code has been released at https://github.com/Kent0n-Li/GT-U-Net.
Abstract（参考訳）: 根管治療の正確な評価を実現するためには, 根管治療評価において歯根境界の位置が重要な解剖情報となるように, 口腔x線画像上で歯根分画を行うことが基本である。しかし, ファジィ境界は歯根分節が非常に困難である。本稿では,歯根セグメント化のための新しいエンド・ツー・エンドのu-netライクグループトランスフォーマーネットワーク(gt u-net)を提案する。提案するネットワークはU-Netの基本構造を保持するが,各エンコーダとデコーダはグループトランスフォーマーに置き換えられ,グループ構造とボトルネック構造を用いて従来のトランスフォーマーアーキテクチャの計算コストを大幅に削減する。さらに,提案するgt u-netは畳み込みとトランスフォーマのハイブリッド構造で構成され,事前学習重量に依存しない。最適化のために,形状認識フーリエ記述子(fd)損失関数を提案する。実験の結果,本ネットワークは,収集した歯根セグメンテーションデータセットと公開網膜データセットドライブにおいて最先端のパフォーマンスを実現することがわかった。コードはhttps://github.com/Kent0n-Li/GT-U-Netでリリースされた。

関連論文リスト

TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
Teeth And Root Canals Segmentation Using ZXYFormer With Uncertainty Guidance And Weight Transfer [8.497690081160087]
本研究はCBCT画像から歯根管と根管を同時に分割する試みである。歯と根管は形態学的に非常に異なり、単純なネットワークがそれらを正確に識別することは困難である。逆特徴フュージョン変換器と不確実性推定に基づく粗大部分分割法を提案する。
論文参考訳（メタデータ） (2023-08-14T11:06:28Z)
Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-11-13T13:03:09Z)
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)
TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-10-27T17:10:58Z)
TransClaw U-Net: Claw U-Net with Transformers for Medical Image Segmentation [0.0]
符号化部における畳み込み演算と変圧器演算を組み合わせたTransClaw U-Netネットワーク構造を提案する。その結果,TransClaw U-Netの性能は他のネットワーク構造よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-07-12T04:17:39Z)
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
論文参考訳（メタデータ） (2021-05-12T09:30:26Z)
Anatomy-Guided Parallel Bottleneck Transformer Network for Automated Evaluation of Root Canal Therapy [13.768248182867673]
X線画像における根管充填は根管治療において重要なステップである。正確な解剖学的特徴を得るために, ファジィ境界を分節する曲線フィッティングセグメンテーションを提案する。そして,最終評価のための分類ネットワークとして,並列ボトルネックトランスフォーマネットワーク(pbt-net)を導入した。
論文参考訳（メタデータ） (2021-05-02T02:38:31Z)
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)
DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation [2.3574651879602215]
残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-04-28T12:16:24Z)

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。