Fugu-MT 論文翻訳(概要): Exploring dual-attention mechanism with multi-scale feature extraction scheme for skin lesion segmentation

論文の概要: Exploring dual-attention mechanism with multi-scale feature extraction scheme for skin lesion segmentation

arxiv url: http://arxiv.org/abs/2111.08708v1
Date: Tue, 16 Nov 2021 14:08:35 GMT
ステータス: 処理完了
システム内更新日: 2021-11-19 03:26:34.885581
Title: Exploring dual-attention mechanism with multi-scale feature extraction scheme for skin lesion segmentation
Title（参考訳）: 皮膚病変セグメンテーションのためのマルチスケール特徴抽出方式によるデュアルアテンション機構の検討
Authors: G Jignesh Chowdary, G V S N Durga Yathisha, Suganya G, and Premalatha M
Abstract要約: 本研究では,新しい畳み込みニューラルネットワークを用いた皮膚病変分割法を提案する。より差別的な特徴を抽出するために,新しいマルチスケール特徴抽出モジュールを提案する。提案手法は、ISIC 2018データセットで97.5%、94.29%、91.16%、95.92%、95.37%、91.52%の精度、リコール、JSIを報告した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic segmentation of skin lesions from dermoscopic images is a challenging task due to the irregular lesion boundaries, poor contrast between the lesion and the background, and the presence of artifacts. In this work, a new convolutional neural network-based approach is proposed for skin lesion segmentation. In this work, a novel multi-scale feature extraction module is proposed for extracting more discriminative features for dealing with the challenges related to complex skin lesions; this module is embedded in the UNet, replacing the convolutional layers in the standard architecture. Further in this work, two different attention mechanisms refine the feature extracted by the encoder and the post-upsampled features. This work was evaluated using the two publicly available datasets, including ISBI2017 and ISIC2018 datasets. The proposed method reported an accuracy, recall, and JSI of 97.5%, 94.29%, 91.16% on the ISBI2017 dataset and 95.92%, 95.37%, 91.52% on the ISIC2018 dataset. It outperformed the existing methods and the top-ranked models in the respective competitions.
Abstract（参考訳）: 皮膚内視鏡画像からの皮膚病変の自動分割は, 病変境界の異常, 病変と背景の対比不良, アーティファクトの存在などにより困難な課題である。本研究では,新しい畳み込みニューラルネットワークを用いた皮膚病変分割法を提案する。本研究は,複雑な皮膚病変に関連する課題に対処するための,より識別的な特徴を抽出するための,新しいマルチスケール特徴抽出モジュールを提案する。さらに,2つの異なる注意機構により,エンコーダによって抽出された特徴とポストアップサンプリングされた特徴を洗練する。この研究は、ISBI2017とISIC2018データセットを含む2つの公開データセットを使用して評価された。提案手法は、ISBI2017データセットで97.5%、94.29%、91.16%、95.92%、95.37%、91.52%の精度、リコール、JSIを報告した。既存の手法と、各競技における上位モデルよりも優れていた。

関連論文リスト

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
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)
DermoSegDiff: A Boundary-aware Segmentation Diffusion Model for Skin Lesion Delineation [3.9548535445908928]
本稿では,皮膚病変分類のための新しいフレームワークであるDermoSegDiffを提案する。提案手法では,トレーニング中に境界線を優先する新たな損失関数を導入し,他の領域の重要度を徐々に低減する。また,ネットワーク内のノイズやセマンティック情報を巧みに統合する,U-Netベースの新しい denoising ネットワークも導入する。
論文参考訳（メタデータ） (2023-08-05T22:12:01Z)
Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。 Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
論文参考訳（メタデータ） (2023-05-29T15:51:31Z)
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)
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)
A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
論文参考訳（メタデータ） (2022-06-01T09:43:10Z)
Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。提案手法は皮膚病変分節の精度を向上させるのに役立つ。以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文参考訳（メタデータ） (2020-12-28T14:43:04Z)
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)
Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation [10.648218637920035]
自動皮膚病変分割のためのカスケードコンテキスト拡張ニューラルネットワークを定式化する。ゲートベースの情報統合アプローチを用いた新しいコンテキストアグリゲーションモジュールを提案する。 4つの皮膚皮膚内視鏡画像データセットに対するアプローチについて検討した。
論文参考訳（メタデータ） (2020-04-17T08:25:17Z)

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。