論文の概要: RA V-Net: Deep learning network for automated liver segmentation
- arxiv url: http://arxiv.org/abs/2112.08232v2
- Date: Thu, 16 Dec 2021 03:30:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 11:55:19.103105
- Title: RA V-Net: Deep learning network for automated liver segmentation
- Title（参考訳）: RA V-Net: 肝自動セグメンテーションのためのディープラーニングネットワーク
- Authors: Zhiqi Lee, Sumin Qi, Chongchong Fan, Ziwei Xie
- Abstract要約: RA V-Netは、U-Netに基づく医療画像の自動セグメンテーションモデルである。
より複雑な畳み込み層とスキップ接続により、より高いレベルの画像特徴抽出能力が得られる。
符号化モジュールのデータ画素と復号モジュールとの間の空間的特徴は、チャネルとLSTM畳み込みを調整することで知覚される。
LSTM畳み込みとCAモジュールによって提供されるアテンションメカニズムは、ニューラルネットワークの性能を強く保証する。
- 参考スコア（独自算出の注目度）: 1.6795461001108098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of the liver is a prerequisite for the diagnosis of
disease. Automated segmentation is an important application of computer-aided
detection and diagnosis of liver disease. In recent years, automated processing
of medical images has gained breakthroughs. However, the low contrast of
abdominal scan CT images and the complexity of liver morphology make accurate
automatic segmentation challenging. In this paper, we propose RA V-Net, which
is an improved medical image automatic segmentation model based on U-Net. It
has the following three main innovations. CofRes Module (Composite Original
Feature Residual Module) is proposed. With more complex convolution layers and
skip connections to make it obtain a higher level of image feature extraction
capability and prevent gradient disappearance or explosion. AR Module
(Attention Recovery Module) is proposed to reduce the computational effort of
the model. In addition, the spatial features between the data pixels of the
encoding and decoding modules are sensed by adjusting the channels and LSTM
convolution. Finally, the image features are effectively retained. CA Module
(Channel Attention Module) is introduced, which used to extract relevant
channels with dependencies and strengthen them by matrix dot product, while
weakening irrelevant channels without dependencies. The purpose of channel
attention is achieved. The attention mechanism provided by LSTM convolution and
CA Module are strong guarantees for the performance of the neural network. The
accuracy of U-Net network: 0.9862, precision: 0.9118, DSC: 0.8547, JSC: 0.82.
The evaluation metrics of RA V-Net, accuracy: 0.9968, precision: 0.9597, DSC:
0.9654, JSC: 0.9414. The most representative metric for the segmentation effect
is DSC, which improves 0.1107 over U-Net, and JSC improves 0.1214.
- Abstract（参考訳）: 肝の正確な分画は疾患の診断の前提条件である。
自動セグメンテーションは、コンピュータ支援による肝疾患の検出と診断の重要な応用である。
近年,医療画像の自動処理は画期的な進歩を遂げている。
しかし,腹部CT画像の低コントラストと肝形態の複雑さは,正確な自動分割を困難にしている。
本稿では,U-Netに基づく医用画像の自動セグメンテーションモデルであるRA V-Netを提案する。
主なイノベーションは次の3つだ。
CofResモジュール(Composite Original Feature Residual Module)が提案されている。
より複雑な畳み込み層とスキップ接続により、より高いレベルの画像特徴抽出能力を獲得し、勾配の消失や爆発を防止する。
ARモジュール (Attention Recovery Module) はモデルの計算労力を削減するために提案されている。
また、符号化モジュールのデータ画素と復号モジュールとの間の空間的特徴は、チャネルとLSTM畳み込みを調整することで知覚される。
最後に、画像特徴を効果的に保持する。
caモジュール(channel attention module)が導入され、依存関係のある関連チャネルを抽出し、マトリックスドット製品によって強化すると同時に、依存関係のない無関係チャネルを弱める。
チャネルアテンションの目的は達成される。
LSTM畳み込みとCAモジュールによって提供される注意機構は、ニューラルネットワークの性能を強く保証する。
U-Netネットワークの精度: 0.9862、精度: 0.9118、DSC: 0.8547、SC: 0.82。
RA V-Netの評価基準は、精度: 0.9968、精度: 0.9597、DSC: 0.9654、JSC: 0.9414 である。
セグメンテーション効果の最も代表的な指標はDSCであり、これはU-Netよりも0.1107、JSCは0.1214である。
関連論文リスト
- Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。
腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文 参考訳（メタデータ） (2024-10-20T19:02:41Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Channel Attention Separable Convolution Network for Skin Lesion
Segmentation [2.8636163472272576]
皮膚病変分割のための新しいネットワークであるChannel Attention Separable Convolution Network (CASCN)を提案する。
CASCNは、Dice係数が0.9461で精度が0.9645であるPH2データセットの最先端性能を達成する。
論文 参考訳（メタデータ） (2023-09-03T04:20:28Z) - Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced
Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging [0.6597195879147557]
T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。
拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T19:41:21Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳（メタデータ） (2023-05-15T18:19:29Z) - 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) - RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional
Network for Retinal OCT Fluid Segmentation [3.57686754209902]
OCTガイド下治療には網膜液の定量化が必要である。
RetiFluidNetと呼ばれる新しい畳み込みニューラルアーキテクチャは、多クラス網膜流体セグメンテーションのために提案されている。
モデルは、テクスチャ、コンテキスト、エッジといった特徴の階層的な表現学習の恩恵を受ける。
論文 参考訳（メタデータ） (2022-09-26T07:18:00Z) - Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from
CT images [22.128902125820193]
Decoupled Pyramid correlation Network (DPC-Net)を提案する。
注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。
DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
論文 参考訳（メタデータ） (2022-05-26T07:31:29Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。