Fugu-MT 論文翻訳(概要): DAM-AL: Dilated Attention Mechanism with Attention Loss for 3D Infant Brain Image Segmentation

論文の概要: DAM-AL: Dilated Attention Mechanism with Attention Loss for 3D Infant Brain Image Segmentation

arxiv url: http://arxiv.org/abs/2112.13559v1
Date: Mon, 27 Dec 2021 08:05:59 GMT
ステータス: 処理完了
システム内更新日: 2021-12-28 17:40:43.185110
Title: DAM-AL: Dilated Attention Mechanism with Attention Loss for 3D Infant Brain Image Segmentation
Title（参考訳）: dam-al: 3次元乳児脳画像分割における注意損失を伴う拡張注意機構
Authors: Dinh-Hieu Hoang, Gia-Han Diep, Minh-Triet Tran and Ngan T.H Le
Abstract要約: DAM-ALと呼ばれる新しいディープラーニングモデルを開発し、拡張された注意機構とハードケースの注意損失の2つの主な貢献点を含む。提案したDAM-ALは、乳児脳iSeg 2017データセットを用いて評価され、検証およびテストセットの両方で実験が行われた。
参考スコア（独自算出の注目度）: 2.512156456486548
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: While Magnetic Resonance Imaging (MRI) has played an essential role in infant brain analysis, segmenting MRI into a number of tissues such as gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF) is crucial and complex due to the extremely low intensity contrast between tissues at around 6-9 months of age as well as amplified noise, myelination, and incomplete volume. In this paper, we tackle those limitations by developing a new deep learning model, named DAM-AL, which contains two main contributions, i.e., dilated attention mechanism and hard-case attention loss. Our DAM-AL network is designed with skip block layers and atrous block convolution. It contains both channel-wise attention at high-level context features and spatial attention at low-level spatial structural features. Our attention loss consists of two terms corresponding to region information and hard samples attention. Our proposed DAM-AL has been evaluated on the infant brain iSeg 2017 dataset and the experiments have been conducted on both validation and testing sets. We have benchmarked DAM-AL on Dice coefficient and ASD metrics and compared it with state-of-the-art methods.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、乳児の脳分析において重要な役割を担っているが、MRIを灰白質(GM)、白質(WM)、髄液(CSF)などの多くの組織に分割することは、約6～9ヶ月の組織間の非常に低いコントラスト、増幅ノイズ、ミエリン化、不完全体積のために重要で複雑である。そこで本稿では,本論文では,拡張注意機構とハードケース注意損失という2つの主な貢献を含む,新しい深層学習モデルであるdam-alを開発した。 DAM-ALネットワークはスキップブロック層とアトラスブロック畳み込みによって設計されている。高レベルの空間的特徴に対するチャネルワイドの注意と低レベルの空間的特徴に対する空間的注意の両方を含んでいる。我々の注意喪失は、地域情報とハードサンプルの注意に対応する2つの用語からなる。提案するdam-alは乳児脳iseg 2017データセットで評価され,検証とテストの両方で実験が行われている。我々はDice係数とASD値のDAM-ALをベンチマークし、最先端の手法と比較した。

関連論文リスト

Bilateral Hippocampi Segmentation in Low Field MRIs Using Mutual Feature Learning via Dual-Views [0.0]
低磁場MRIはよりアクセスしやすく、費用対効果が高いため、小児の鎮静は不要である。低磁場MRIにおける両側海馬の自動セグメンテーションのための新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2024-10-23T02:00:07Z)
Unpaired Volumetric Harmonization of Brain MRI with Conditional Latent Diffusion [13.563413478006954]
条件付き潜時拡散(HCLD)による新しい3次元MRI高調波化フレームワークを提案する。一般化可能な3Dオートエンコーダを備え、4Dラテント空間を通じてMRIを符号化しデコードする。 HCLDは、潜伏分布を学習し、ターゲット画像スタイルで条件付きで、ソースMRIから解剖学的情報と調和したMRIを生成する。
論文参考訳（メタデータ） (2024-08-18T00:13:48Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
MEMO: Dataset and Methods for Robust Multimodal Retinal Image Registration with Large or Small Vessel Density Differences [1.241483527846377]
セグメンテーションに基づくディープラーニングフレームワーク(VDD-Reg)と新しい評価指標(MSD)を提案する。 VDD-Regはコンテナセグメンテーションモジュールと登録モジュールで構成される。我々は,VDD-Regが,VD差とVD差が大きい場合に,ベースライン法を定量的に,質的に上回ることを示した。
論文参考訳（メタデータ） (2023-09-25T21:47:41Z)
Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文参考訳（メタデータ） (2023-03-26T14:14:58Z)
SF2Former: Amyotrophic Lateral Sclerosis Identification From Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文参考訳（メタデータ） (2023-02-21T18:16:20Z)
Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文参考訳（メタデータ） (2022-07-18T23:07:53Z)
CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI [10.127399319119911]
本研究では、条件付きアトラスを同時に生成し、脳組織分節を予測できる新しいネットワーク構造を提案する。提案手法は,Human Connectome Projectから253名の被験者を対象に,実験・評価を行った。
論文参考訳（メタデータ） (2022-05-17T11:23:02Z)
Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文参考訳（メタデータ） (2022-04-08T07:56:55Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2022-01-31T09:39:52Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)

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。