論文の概要: Transformer based Generative Adversarial Network for Liver Segmentation
- arxiv url: http://arxiv.org/abs/2205.10663v1
- Date: Sat, 21 May 2022 19:55:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 11:55:01.998407
- Title: Transformer based Generative Adversarial Network for Liver Segmentation
- Title（参考訳）: 肝分画のためのトランスフォーマベース生成逆ネットワーク
- Authors: Ugur Demir, Zheyuan Zhang, Bin Wang, Matthew Antalek, Elif Keles,
Debesh Jha, Amir Borhani, Daniela Ladner and Ulas Bagci
- Abstract要約: 本稿では,Transformer(s) とGenerative Adversarial Network (GAN) を組み合わせたハイブリッドアプローチを用いた新しいセグメンテーション手法を提案する。
我々のモデルは高いダイス係数0.9433、リコール0.9515、精度0.9376、その他のトランスフォーマーベースアプローチより優れていた。
- 参考スコア（独自算出の注目度）: 4.317557160310758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated liver segmentation from radiology scans (CT, MRI) can improve
surgery and therapy planning and follow-up assessment in addition to
conventional use for diagnosis and prognosis. Although convolutional neural
networks (CNNs) have become the standard image segmentation tasks, more
recently this has started to change towards Transformers based architectures
because Transformers are taking advantage of capturing long range dependence
modeling capability in signals, so called attention mechanism. In this study,
we propose a new segmentation approach using a hybrid approach combining the
Transformer(s) with the Generative Adversarial Network (GAN) approach. The
premise behind this choice is that the self-attention mechanism of the
Transformers allows the network to aggregate the high dimensional feature and
provide global information modeling. This mechanism provides better
segmentation performance compared with traditional methods. Furthermore, we
encode this generator into the GAN based architecture so that the discriminator
network in the GAN can classify the credibility of the generated segmentation
masks compared with the real masks coming from human (expert) annotations. This
allows us to extract the high dimensional topology information in the mask for
biomedical image segmentation and provide more reliable segmentation results.
Our model achieved a high dice coefficient of 0.9433, recall of 0.9515, and
precision of 0.9376 and outperformed other Transformer based approaches.
- Abstract（参考訳）: 放射線検査(CT, MRI)による自動肝セグメンテーションは, 従来の診断・予後検査に加えて, 手術・治療計画, 術後評価を改善することができる。
畳み込みニューラルネットワーク(cnns)が標準的な画像分割タスクとなっているが、近年ではトランスフォーマーが信号の長距離依存性モデリング機能を利用するようになり、注意機構と呼ばれるようになったため、トランスフォーマーベースのアーキテクチャへと変化し始めた。
本研究では,Transformer(s) とGenerative Adversarial Network (GAN) を組み合わせたハイブリッド手法を用いて,新しいセグメンテーション手法を提案する。
この選択の背景にある前提は、トランスフォーマーの自己着脱機構により、ネットワークは高次元の特徴を集約し、グローバルな情報モデリングを提供できることである。
このメカニズムは従来の手法に比べてセグメンテーション性能が良い。
さらに,ganの識別器ネットワークが生成したセグメンテーションマスクの信頼性を,人間(専門家)のアノテーションによる実際のマスクと比較して分類できるように,このジェネレータをganベースのアーキテクチャにエンコードする。
これにより,生体画像セグメンテーションのためのマスク内の高次元トポロジー情報を抽出し,より信頼性の高いセグメンテーション結果を提供する。
我々のモデルは高いダイス係数0.9433、リコール0.9515、精度0.9376、その他のトランスフォーマーベースアプローチより優れていた。
関連論文リスト
- TransUKAN:Computing-Efficient Hybrid KAN-Transformer for Enhanced Medical Image Segmentation [5.280523424712006]
U-Netは現在、医療画像セグメンテーションの最も広く使われているアーキテクチャである。
我々は、メモリ使用量と計算負荷を減らすためにkanを改善した。
このアプローチは、非線形関係をキャプチャするモデルの能力を高める。
論文 参考訳（メタデータ） (2024-09-23T02:52:49Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical
Image Segmentation [0.0]
医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。
提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。
UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
論文 参考訳（メタデータ） (2023-10-16T01:13:38Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - 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) - A Transformer-based Generative Adversarial Network for Brain Tumor
Segmentation [4.394247741333439]
マルチモダリティMRIで脳腫瘍を自動分割するトランスフォーマーを用いた生成対向ネットワークを提案する。
我々のアーキテクチャは、min-maxゲーム進行のトレーニングを行うジェネレータと識別器で構成されている。
私たちが設計した識別器はCNNベースのマルチスケールのL_1$損失ネットワークであり、医用セマンティックイメージセグメンテーションに有効であることが証明されている。
論文 参考訳（メタデータ） (2022-07-28T14:55:18Z) - TransNorm: Transformer Provides a Strong Spatial Normalization Mechanism
for a Deep Segmentation Model [4.320393382724066]
畳み込みニューラルネットワーク(CNN)は、医療画像処理時代の主流技術である。
本稿では,Transformerモジュールをエンコーダとスキップ接続の両方に統合する,新しいディープセグメンテーションフレームワークであるTrans-Normを提案する。
論文 参考訳（メタデータ） (2022-07-27T09:54:10Z) - Evaluating Transformer based Semantic Segmentation Networks for
Pathological Image Segmentation [2.7029872968576947]
病理は癌診断において重要な役割を担っている。
コンピュータ支援型病理画像解析において, 様々なCNNを用いた病理画像分割手法が開発されている。
Transformer Neural Network(Transformer)は、新たなディープラーニングパラダイムとして、画像全体にわたるグローバルな長距離依存関係をキャプチャする、ユニークなメリットを示している。
論文 参考訳（メタデータ） (2021-08-26T18:46:43Z) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳（メタデータ） (2021-02-21T18:35:14Z) - 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。