論文の概要: ColonFormer: An Efficient Transformer based Method for Colon Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2205.08473v1
• Date: Tue, 17 May 2022 16:34:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 13:57:04.654195
• Title: ColonFormer: An Efficient Transformer based Method for Colon Polyp Segmentation
• Title（参考訳）: ColonFormer: Colon Polypセグメンテーションのための効率的なトランスフォーマーベースの方法
• Authors: Nguyen Thanh Duc, Nguyen Thi Oanh, Nguyen Thi Thuy, Tran Minh Triet, Dinh Viet Sang
• Abstract要約: ColonFormer はエンコーダとデコーダのアーキテクチャで、長距離セマンティック情報をモデル化できる。 ColonFormerは、すべてのベンチマークデータセットで最先端のパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 1.181206257787103
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identifying polyps is a challenging problem for automatic analysis of endoscopic images in computer-aided clinical support systems. Models based on convolutional networks (CNN), transformers, and combinations of them have been proposed to segment polyps with promising results. However, those approaches have limitations either in modeling the local appearance of the polyps only or lack of multi-level features for spatial dependency in the decoding process. This paper proposes a novel network, namely ColonFormer, to address these limitations. ColonFormer is an encoder-decoder architecture with the capability of modeling long-range semantic information at both encoder and decoder branches. The encoder is a lightweight architecture based on transformers for modeling global semantic relations at multi scales. The decoder is a hierarchical network structure designed for learning multi-level features to enrich feature representation. Besides, a refinement module is added with a new skip connection technique to refine the boundary of polyp objects in the global map for accurate segmentation. Extensive experiments have been conducted on five popular benchmark datasets for polyp segmentation, including Kvasir, CVC-Clinic DB, CVCColonDB, EndoScene, and ETIS. Experimental results show that our ColonFormer achieve state-of-the-art performance on all benchmark datasets.
• Abstract（参考訳）: コンピュータ支援臨床支援システムにおける内視鏡画像の自動解析におけるポリープの同定は困難である。 畳み込みネットワーク(CNN)、トランスフォーマー、およびそれらの組み合わせに基づくモデルが提案され、有望な結果とともにポリプを分割する。 しかし、これらのアプローチは、ポリプの局所的な外観のみをモデル化するか、デコーディングプロセスにおける空間依存のマルチレベルな特徴の欠如に制限がある。 本稿では,これらの制約に対処する新しいネットワークであるColonFormerを提案する。 colonformerはエンコーダ/デコーダのアーキテクチャで、エンコーダとデコーダのブランチの両方で長距離の意味情報をモデリングできる。 エンコーダは、グローバルセマンティクス関係をマルチスケールでモデリングするためのトランスフォーマーに基づく軽量アーキテクチャである。 デコーダはマルチレベルの特徴を学習して特徴表現を強化するために設計された階層型ネットワーク構造である。 さらに,グローバルマップにおけるポリプオブジェクトの境界を精密に分割するために,新しいスキップ接続技術により改良モジュールが加えられた。 Kvasir、CVC-Clinic DB、CVCColonDB、EndoScene、ETISなど、Polypセグメンテーションのための5つの一般的なベンチマークデータセットで大規模な実験が行われた。 実験の結果,我々のColonFormerは,すべてのベンチマークデータセットで最先端のパフォーマンスを達成できた。

関連論文リスト

• CFPFormer: Feature-pyramid like Transformer Decoder for Segmentation and Detection [1.837431956557716]
  特徴ピラミッドは、医療画像のセグメンテーションやオブジェクト検出といったタスクのために、畳み込みニューラルネットワーク(CNN)やトランスフォーマーで広く採用されている。 本稿では,特徴ピラミッドと変圧器を統合したデコーダブロックを提案する。 本モデルでは,既存手法と比較して,小型物体の検出性能が向上する。
  論文  参考訳（メタデータ） (2024-04-23T18:46:07Z)
• Multi-Layer Dense Attention Decoder for Polyp Segmentation [10.141956829529859]
  局所的に強化された多層密集度特徴を階層的に集約することを目的とした,新しいデコーダアーキテクチャを提案する。 具体的には、Dense Attention Gate (DAG) と呼ばれる新しいモジュールを紹介します。 実験と9つの競合セグメンテーションモデルとの比較により,提案アーキテクチャが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-03-27T01:15:05Z)
• Using DUCK-Net for Polyp Image Segmentation [0.0]
  DUCK-Netは、少量の医療画像から効果的に学習し、一般化し、正確なセグメンテーションタスクを実行することができる。 大腸内視鏡画像におけるポリープセグメンテーションに特有な機能を示す。
  論文  参考訳（メタデータ） (2023-11-03T20:58:44Z)
• RaBiT: An Efficient Transformer using Bidirectional Feature Pyramid Network with Reverse Attention for Colon Polyp Segmentation [0.0]
  本稿では,軽量トランスフォーマーアーキテクチャをエンコーダに組み込んだエンコーダデコーダモデルであるRaBiTを紹介する。 本手法は, トレーニングセットとテストセットが異なる特性を持つ場合であっても, クロスデータセット実験において高い一般化能力を示す。
  論文  参考訳（メタデータ） (2023-07-12T19:25:10Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• LAPFormer: A Light and Accurate Polyp Segmentation Transformer [6.352264764099531]
  我々は,階層型トランスフォーマーエンコーダを用いてグローバルな特徴を抽出する,LAPFormerというエンコーダデコーダアーキテクチャを用いた新しいモデルを提案する。 提案するデコーダは,高スケールおよび低スケールから特徴を融合するプログレッシブ・フィーチャー・フュージョン・モジュールを含む。 ポリープセグメンテーションのための5つの人気のあるベンチマークデータセット上で、我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-10-10T01:52:30Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
  セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。 具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。 トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
  論文  参考訳（メタデータ） (2020-12-31T18:55:57Z)
• A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
  一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。 本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:51:49Z)

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。