論文の概要: BAGNet: Bidirectional Aware Guidance Network for Malignant Breast lesions Segmentation

• arxiv url: http://arxiv.org/abs/2204.13342v1
• Date: Thu, 28 Apr 2022 08:28:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 13:14:02.023141
• Title: BAGNet: Bidirectional Aware Guidance Network for Malignant Breast lesions Segmentation
• Title（参考訳）: BAGNet: 悪性乳癌の鑑別のための双方向誘導ネットワーク
• Authors: Gongping Chen, Yuming Liu, Yu Dai, Jianxun Zhang, Liang Cui and Xiaotao Yin
• Abstract要約: 乳房超音波画像から悪性病変を識別するために, 双方向意識誘導ネットワーク(BAGNet)を提案する。 BAGNetは、入力された粗いサリエンシマップからグローバル(低レベル)とローカル(高レベル)の機能の間のコンテキストをキャプチャする。 グローバルな特徴マップの導入は、病変領域における周囲の組織(背景)の干渉を減らすことができる。
• 参考スコア（独自算出の注目度）: 5.823080777200961
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast lesions segmentation is an important step of computer-aided diagnosis system, and it has attracted much attention. However, accurate segmentation of malignant breast lesions is a challenging task due to the effects of heterogeneous structure and similar intensity distributions. In this paper, a novel bidirectional aware guidance network (BAGNet) is proposed to segment the malignant lesion from breast ultrasound images. Specifically, the bidirectional aware guidance network is used to capture the context between global (low-level) and local (high-level) features from the input coarse saliency map. The introduction of the global feature map can reduce the interference of surrounding tissue (background) on the lesion regions. To evaluate the segmentation performance of the network, we compared with several state-of-the-art medical image segmentation methods on the public breast ultrasound dataset using six commonly used evaluation metrics. Extensive experimental results indicate that our method achieves the most competitive segmentation results on malignant breast ultrasound images.
• Abstract（参考訳）: 乳腺病変の分節はコンピュータ診断システムの重要な段階であり,注目されている。 しかし,乳腺悪性病変の正確な分画は異種構造と類似した強度分布の影響により困難な課題である。 本稿では,乳腺超音波画像から悪性病変を分離する新しい双方向認識誘導ネットワーク(bagnet)を提案する。 特に、双方向認識ガイダンスネットワークは、入力された粗い塩分マップからグローバル(低レベル)とローカル(高レベル)の機能の間のコンテキストをキャプチャするために使用される。 グローバル特徴マップの導入は、病変領域における周囲の組織(背景)の干渉を減らすことができる。 ネットワークのセグメンテーション性能を評価するために, 広く用いられている6つの評価指標を用いて, 公衆乳房超音波データセットにおける最新の医用画像セグメンテーション法を比較した。 広範に実験した結果, 乳房超音波画像において最も競争力のあるセグメント化が得られた。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation [20.865775626533434]
  CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。 本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。 正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
  論文  参考訳（メタデータ） (2023-03-19T23:45:32Z)
• 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)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)
• 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。