論文の概要: PAANet: Progressive Alternating Attention for Automatic Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2111.10618v1
• Date: Sat, 20 Nov 2021 15:49:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 11:17:19.832235
• Title: PAANet: Progressive Alternating Attention for Automatic Medical Image Segmentation
• Title（参考訳）: PAANet: 自動医用画像分割のための進歩的代替注意
• Authors: Abhishek Srivastava, Sukalpa Chanda, Debesh Jha, Michael A. Riegler, P{\aa}l Halvorsen, Dag Johansen, and Umapada Pal
• Abstract要約: 病気の位置を知ることは、治療と意思決定において重要な役割を果たす。 CNNベースのエンコーダ・デコーダ技術は、自動化された医用画像分割システムの性能を向上した。 本稿では,PAANet(Progressive alternating attention network)を提案する。
• 参考スコア（独自算出の注目度）: 11.392283602422442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation can provide detailed information for clinical analysis which can be useful for scenarios where the detailed location of a finding is important. Knowing the location of disease can play a vital role in treatment and decision-making. Convolutional neural network (CNN) based encoder-decoder techniques have advanced the performance of automated medical image segmentation systems. Several such CNN-based methodologies utilize techniques such as spatial- and channel-wise attention to enhance performance. Another technique that has drawn attention in recent years is residual dense blocks (RDBs). The successive convolutional layers in densely connected blocks are capable of extracting diverse features with varied receptive fields and thus, enhancing performance. However, consecutive stacked convolutional operators may not necessarily generate features that facilitate the identification of the target structures. In this paper, we propose a progressive alternating attention network (PAANet). We develop progressive alternating attention dense (PAAD) blocks, which construct a guiding attention map (GAM) after every convolutional layer in the dense blocks using features from all scales. The GAM allows the following layers in the dense blocks to focus on the spatial locations relevant to the target region. Every alternate PAAD block inverts the GAM to generate a reverse attention map which guides ensuing layers to extract boundary and edge-related information, refining the segmentation process. Our experiments on three different biomedical image segmentation datasets exhibit that our PAANet achieves favourable performance when compared to other state-of-the-art methods.
• Abstract（参考訳）: 医用画像セグメンテーションは、発見の詳細な位置が重要であるシナリオに有用な臨床分析のための詳細な情報を提供することができる。 病気の位置を知ることは、治療と意思決定において重要な役割を果たす。 畳み込みニューラルネットワーク(CNN)に基づくエンコーダデコーダ技術は、自動化された医用画像セグメンテーションシステムの性能を向上した。 CNNに基づくいくつかの手法は、空間的注意やチャネル的注意などの手法を用いて性能を向上させる。 近年注目されているもう1つのテクニックは、密度密度ブロック(RDB)である。 密結合ブロックにおける連続した畳み込み層は、様々な受容場を持つ多様な特徴を抽出し、性能を向上させることができる。 しかし、連続的に積み重ねられた畳み込み演算子は必ずしも対象構造の識別を容易にする特徴を生成するとは限らない。 本稿では,PAANet(Progressive alternating attention network)を提案する。 我々は,全規模の特徴を用いて,高密度ブロック内の各畳み込み層の後,誘導注意マップ(GAM)を構成するPAADブロックを開発する。 GAMは、密度の高いブロック内の以下の層がターゲット領域に関連する空間的位置に集中できるようにする。 それぞれのPAADブロックはGAMを反転させ、後続するレイヤをガイドして境界情報とエッジ関連情報を抽出し、セグメント化プロセスを洗練する。 3つの異なるバイオメディカルイメージセグメンテーションデータセットを用いた実験により、PAANetは他の最先端の手法と比較して良好な性能が得られることが示された。

関連論文リスト

• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• 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)
• Full-scale Deeply Supervised Attention Network for Segmenting COVID-19 Lesions [0.24366811507669117]
  我々は,CT画像におけるコロナ感染領域の効率的なセグメンテーションのためのフルスケールDeeply Supervised Attention Network(FuDSA-Net)を紹介した。 モデルは、ネットワークの異なるレベルで取得されたマルチスカラー機能を含む、エンコーディングパスの全レベルからのアクティベーション応答を考察する。 マルチスカラー特性の全領域を新しいアテンション機構に組み込むことで、アクティベーション応答と有用な情報を含む位置の選択が優先される。
  論文  参考訳（メタデータ） (2022-10-27T16:05:47Z)
• Valuing Vicinity: Memory attention framework for context-based semantic segmentation in histopathology [0.8866112270350612]
  詳細な種類の組織を同定することは、パーソナライズされたがん治療の提供に不可欠である。 本稿では,パッチ埋め込みメモリバンクから隣接する組織コンテキストを問い合わせるパッチ近傍の注意機構を提案する。 私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
  論文  参考訳（メタデータ） (2022-10-21T08:49:30Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images [0.0]
  自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。 ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。 その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
  論文  参考訳（メタデータ） (2021-03-25T06:10:47Z)
• 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)
• 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)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)
• Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound [59.105304755899034]
  本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。 我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。 3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
  論文  参考訳（メタデータ） (2019-07-03T05:21:52Z)

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。