論文の概要: DCSAU-Net: A Deeper and More Compact Split-Attention U-Net for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2202.00972v1
• Date: Wed, 2 Feb 2022 11:36:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 19:56:04.031363
• Title: DCSAU-Net: A Deeper and More Compact Split-Attention U-Net for Medical Image Segmentation
• Title（参考訳）: dcsau-net:より深くよりコンパクトな医療画像分割用スプリットアテンションu-net
• Authors: Qing Xu and Wenting Duan and Na He
• Abstract要約: マルチスケールの分割アテンションと深みの深い畳み込みを用いて有用な特徴を抽出する新しい分割アテンション型u-shapeネットワーク(DCSAU-Net)を提案する。 その結果、DCSAU-Netは、平均的なUnion(mIoU)とF1-socre(F1-socre)の観点から、他の最先端(SOTA)手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 1.1315617886931961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image segmentation is a key step for medical image analysis. Approaches based on deep neural networks have been introduced and performed more reliable results than traditional image processing methods. However, many models focus on one medical image application and still show limited abilities to work with complex images. In this paper, we propose a novel deeper and more compact split-attention u-shape network (DCSAU-Net) that extracts useful features using multi-scale combined split-attention and deeper depthwise convolution. We evaluate the proposed model on CVC-ClinicDB, 2018 Data Science Bowl, ISIC-2018 and SegPC-2021 datasets. As a result, DCSAU-Net displays better performance than other state-of-the-art (SOTA) methods in terms of the mean Intersection over Union (mIoU) and F1-socre. More significantly, the proposed model demonstrate better segmentation performance on challenging images.
• Abstract（参考訳）: 画像分割は医用画像解析の重要なステップである。 ディープニューラルネットワークに基づくアプローチが導入され、従来の画像処理手法よりも信頼性の高い結果が得られた。 しかし、多くのモデルは単一の医用画像アプリケーションに焦点を当てており、複雑な画像を扱う能力は限られている。 本稿では,マルチスケールスプリットアテンションと深層深度畳み込みを用いて有用な特徴を抽出する,より深く,よりコンパクトなスプリットアテンション u-shape network (dcsau-net) を提案する。 CVC-ClinicDB、2018 Data Science Bowl、ISIC-2018、SegPC-2021データセットで提案モデルを評価する。 その結果、DCSAU-Netは、平均的なUnion(mIoU)とF1-socreの観点から、他の最先端(SOTA)手法よりも優れた性能を示す。 さらに,課題の画像に対して,より優れたセグメンテーション性能を示すモデルを提案する。

関連論文リスト

• TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
  医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。 医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。 我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
  論文  参考訳（メタデータ） (2024-10-01T18:22:34Z)
• Interpretable Small Training Set Image Segmentation Network Originated from Multi-Grid Variational Model [5.283735137946097]
  深層学習法 (DL) が提案され, 画像分割に広く利用されている。 DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。 本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
  論文  参考訳（メタデータ） (2023-06-25T02:34:34Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• w-Net: Dual Supervised Medical Image Segmentation Model with Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
  医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。 提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-15T13:54:22Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
  従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。 提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。 公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2020-06-27T08:24:46Z)
• Image Segmentation Using Hybrid Representations [2.414172101538764]
  医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。 提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-15T13:07:35Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation [2.6837973648527926]
  本稿では,モデル解釈可能性とロバスト性に着目したShape Attentive U-Net(SAUNet)というアーキテクチャを提案する。 本手法は,SUN09とAC17の2つの大きな心内MRI画像セグメント化データセットに対して,最先端の結果を得られる。
  論文  参考訳（メタデータ） (2020-01-21T16:48:54Z)

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。