論文の概要: MT-TransUNet: Mediating Multi-Task Tokens in Transformers for Skin
Lesion Segmentation and Classification
- arxiv url: http://arxiv.org/abs/2112.01767v1
- Date: Fri, 3 Dec 2021 07:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 00:25:06.451600
- Title: MT-TransUNet: Mediating Multi-Task Tokens in Transformers for Skin
Lesion Segmentation and Classification
- Title(参考訳): MT-TransUNet:皮膚病変分類・分類用トランスフォーマーにおけるマルチタスクトークンの仲介
- Authors: Jingye Chen, Jieneng Chen, Zongwei Zhou, Bin Li, Alan Yuille, Yongyi
Lu
- Abstract要約: 近年の皮膚癌自動診断の進歩は, 皮膚科医と同等の成績を示した。
正確な病変分割は付加的な病変情報で分類作業を補うことができると我々は主張する。
本稿では,皮膚病変の分類・分類が可能なMT-TransUNetというマルチタスクフレームワークを提案する。
- 参考スコア(独自算出の注目度): 9.900592700187376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in automated skin cancer diagnosis have yielded performance
on par with board-certified dermatologists. However, these approaches
formulated skin cancer diagnosis as a simple classification task, dismissing
the potential benefit from lesion segmentation. We argue that an accurate
lesion segmentation can supplement the classification task with additive lesion
information, such as asymmetry, border, intensity, and physical size; in turn,
a faithful lesion classification can support the segmentation task with
discriminant lesion features. To this end, this paper proposes a new multi-task
framework, named MT-TransUNet, which is capable of segmenting and classifying
skin lesions collaboratively by mediating multi-task tokens in Transformers.
Furthermore, we have introduced dual-task and attended region consistency
losses to take advantage of those images without pixel-level annotation,
ensuring the model's robustness when it encounters the same image with an
account of augmentation. Our MT-TransUNet exceeds the previous state of the art
for lesion segmentation and classification tasks in ISIC-2017 and PH2; more
importantly, it preserves compelling computational efficiency regarding model
parameters (48M~vs.~130M) and inference speed (0.17s~vs.~2.02s per image). Code
will be available at https://github.com/JingyeChen/MT-TransUNet.
- Abstract(参考訳): 近年の皮膚癌自動診断の進歩は, 皮膚科医と同等の成績を示した。
しかし,これらのアプローチは皮膚がんの診断を簡便な分類課題として定式化し,病変分画の利点を否定した。
正確な病変分割は,非対称性,境界,強度,物理的大きさなどの付加的病変情報で分類タスクを補うことができると論じる。
そこで本稿では,トランスフォーマーのマルチタスクトークンを仲介することにより,皮膚病変のセグメント化と分類を協調的に行うことができるマルチタスクフレームワークであるmt-transunetを提案する。
さらに,画素レベルのアノテーションを使わずに画像を活用するために,デュアルタスクと従属領域の一貫性損失を導入し,拡張の考慮で同一画像に遭遇した場合のモデルの堅牢性を確保した。
MT-TransUNet はISIC-2017 と PH2 における病変分割および分類タスクの従来の状態を超えており,さらに重要な点として,モデルパラメータ (48M~vs.~130M) と推論速度 (0.17s~vs.~2.02s) に関する計算効率を保っている。
コードはhttps://github.com/JingyeChen/MT-TransUNet.comから入手できる。
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) - A Localization-to-Segmentation Framework for Automatic Tumor
Segmentation in Whole-Body PET/CT Images [8.0523823243864]
本稿では,腫瘍の正確な分節化のための局在化・分節化フレームワーク(L2SNet)を提案する。
L2SNetは、まず、病変の局所化段階における可能性のある病変を局在させ、次いで、病変の分節フェーズにおけるセグメント化結果を形成するために位置手がかりを使用する。
全身FDG-PET/CTチャレンジデータセットにおけるMII自動病変を用いた実験により,本手法が競争力のある結果を示した。
論文 参考訳(メタデータ) (2023-09-11T13:39:15Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation [18.58056402884405]
CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。
現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。
本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
論文 参考訳(メタデータ) (2020-01-23T15:15:53Z)
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。