論文の概要: ViTBIS: Vision Transformer for Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2201.05920v1
• Date: Sat, 15 Jan 2022 20:44:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-22 09:59:41.200857
• Title: ViTBIS: Vision Transformer for Biomedical Image Segmentation
• Title（参考訳）: ViTBIS: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ビジョントランス
• Authors: Abhinav Sagar
• Abstract要約: バイオメディカルイメージのためのビジョントランスフォーマー(ViTBIS)という新しいネットワークを提案する。 当社のネットワークでは,入力機能マップを3つのパートに分割して,エンコーダとデコーダの両方で1時間1ドル,3時間3ドル,5ドル5セントの畳み込みを行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel network named Vision Transformer for Biomedical Image Segmentation (ViTBIS). Our network splits the input feature maps into three parts with $1\times 1$, $3\times 3$ and $5\times 5$ convolutions in both encoder and decoder. Concat operator is used to merge the features before being fed to three consecutive transformer blocks with attention mechanism embedded inside it. Skip connections are used to connect encoder and decoder transformer blocks. Similarly, transformer blocks and multi scale architecture is used in decoder before being linearly projected to produce the output segmentation map. We test the performance of our network using Synapse multi-organ segmentation dataset, Automated cardiac diagnosis challenge dataset, Brain tumour MRI segmentation dataset and Spleen CT segmentation dataset. Without bells and whistles, our network outperforms most of the previous state of the art CNN and transformer based models using Dice score and the Hausdorff distance as the evaluation metrics.
• Abstract（参考訳）: 本稿では、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ビジョントランスフォーマー(ViTBIS)という新しいネットワークを提案する。 私たちのネットワークでは、入力機能マップをエンコーダとデコーダの両方で、1$、3$、3$、5$の3つの部分に分けています。 concatオペレータは、注意機構を内蔵した3つの連続したトランスフォーマーブロックに供給される前に、機能をマージするために使用される。 スキップ接続はエンコーダとデコーダを接続するために使用される。 同様に、変換ブロックとマルチスケールアーキテクチャは、出力セグメントマップを生成するために線形投影される前にデコーダで使用される。 我々は,Synapse Multi-organ segmentation dataset, Automated heartc diagnosis Challenge dataset, Brain tumour MRI segmentation dataset, Spleen CT segmentation datasetを用いて,我々のネットワークの性能を検証した。 ベルやホイッスルがなければ,我々のネットワークは,diceスコアとハウスドルフ距離を評価指標として,以前のart cnnおよびtransformerベースのモデルの大部分を上回っています。

関連論文リスト

• Rethinking Attention Gated with Hybrid Dual Pyramid Transformer-CNN for Generalized Segmentation in Medical Imaging [17.07490339960335]
  本稿では,強力なCNN-Transformerエンコーダを効率的に構築するためのハイブリッドCNN-Transformerセグメンテーションアーキテクチャ(PAG-TransYnet)を提案する。 我々のアプローチは、デュアルピラミッドハイブリッドエンコーダ内のアテンションゲートを利用する。
  論文  参考訳（メタデータ） (2024-04-28T14:37:10Z)
• CATS v2: Hybrid encoders for robust medical segmentation [12.194439938007672]
  畳み込みニューラルネットワーク(CNN)は、医用画像分割タスクにおいて強力な性能を示した。 しかし、畳み込みカーネルの視野が限られているため、CNNがグローバル情報を完全に表現することは困難である。 ローカル情報とグローバル情報の両方を活用するハイブリッドエンコーダを用いたCATS v2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T20:21:54Z)
• Cats: Complementary CNN and Transformer Encoders for Segmentation [13.288195115791758]
  生体医用画像分割のための二重エンコーダを用いたモデルを提案する。 畳み込みエンコーダと変換器の情報を融合してデコーダに渡して結果を得る。 提案手法は,各タスクにトランスフォーマーと非変換器を併用した最先端モデルと比較して,ボード全体のDiceスコアを高くする。
  論文  参考訳（メタデータ） (2022-08-24T14:25:11Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Transformer-Unet: Raw Image Processing with Unet [4.7944896477309555]
  Unetの機能マップの代わりに、生画像にトランスフォーマーモジュールを追加することで、Transformer-Unetを提案する。 実験では、エンド・ツー・エンドのネットワークを構築し、従来の多くのUnetベースのアルゴリズムよりもセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2021-09-17T09:03:10Z)
• Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
  Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。 トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2021-05-12T09:30:26Z)
• TransBTS: Multimodal Brain Tumor Segmentation Using Transformer [9.296315610803985]
  エンコーダデコーダ構造に基づくTransBTSという新しいネットワークを提案する。 ローカルな3Dコンテキスト情報をキャプチャするために、エンコーダはまず3D CNNを使用してボリューム特徴マップを抽出する。 一方、機能マップは、グローバル機能モデリングのためにTransformerに供給されるトークンのために精巧に再構成されます。
  論文  参考訳（メタデータ） (2021-03-07T19:12:14Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• 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)

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。