論文の概要: Residual Channel Attention Network for Brain Glioma Segmentation

• arxiv url: http://arxiv.org/abs/2205.10758v1
• Date: Sun, 22 May 2022 06:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 16:29:02.464146
• Title: Residual Channel Attention Network for Brain Glioma Segmentation
• Title（参考訳）: 脳グリオーマセグメンテーションのための残留チャネル注意ネットワーク
• Authors: Yiming Yao, Peisheng Qian, Ziyuan Zhao, Zeng Zeng
• Abstract要約: グリオーマ(glioma)は、認知機能に深刻な影響を与え、患者の生活の質を低下させる悪性脳腫瘍である。 本研究では,グリオーマセグメンテーションの中間的特徴をキャリブレーションするために,残チャンネルアテンションモジュールを統合した新しいディープニューラルネットワークを実装した。 提案するチャネルアテンション機構は、グリオーマの潜伏表現を最適化するために、特徴チャネルを適応的に重み付けする。
• 参考スコア（独自算出の注目度）: 6.138217560128551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A glioma is a malignant brain tumor that seriously affects cognitive functions and lowers patients' life quality. Segmentation of brain glioma is challenging because of interclass ambiguities in tumor regions. Recently, deep learning approaches have achieved outstanding performance in the automatic segmentation of brain glioma. However, existing algorithms fail to exploit channel-wise feature interdependence to select semantic attributes for glioma segmentation. In this study, we implement a novel deep neural network that integrates residual channel attention modules to calibrate intermediate features for glioma segmentation. The proposed channel attention mechanism adaptively weights feature channel-wise to optimize the latent representation of gliomas. We evaluate our method on the established dataset BraTS2017. Experimental results indicate the superiority of our method.
• Abstract（参考訳）: グリオーマ(glioma)は、認知機能に深刻な影響を与え、患者の生活品質を低下させる悪性脳腫瘍である。 脳グリオーマの分離は腫瘍部位のクラス間あいまいさにより困難である。 近年,深層学習のアプローチは脳グリオーマの自動分割において有意な成果を上げている。 しかし、既存のアルゴリズムでは、グリオーマセグメンテーションのセマンティック属性を選択するためにチャンネルワイズ機能相互依存を利用することができない。 本研究では,残差チャネルアテンションモジュールを統合し,グリオーマセグメンテーションのための中間的特徴を校正する,新しいディープニューラルネットワークを実装した。 提案するチャネルアテンション機構は, グリオーマの潜在表現を最適化するために, チャネルアテンションを適応的に重み付けする。 本手法を確立されたデータセットbrats2017上で評価する。 実験結果は,本手法の優位性を示している。

関連論文リスト

• An Integrated Deep Learning Framework for Effective Brain Tumor Localization, Segmentation, and Classification from Magnetic Resonance Images [0.0]
  脳内の腫瘍は、様々な種類の脳細胞から生じる脳組織内の異常な細胞増殖によって生じる。 本研究は,MRI画像からのグリオーマの局在,セグメンテーション,分類のためのDLフレームワークを提案する。 提案モデルでは,早期診断を可能とし,患者に対してより正確な治療オプションを提供することで,医療用AIの進歩を期待できる結果が得られた。
  論文  参考訳（メタデータ） (2024-09-25T18:38:57Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• CASPIANET++: A Multidimensional Channel-Spatial Asymmetric Attention Network with Noisy Student Curriculum Learning Paradigm for Brain Tumor Segmentation [0.10195618602298678]
  腫瘍の固有の構造を活用して唾液腺領域を検出することで,チャネルと空間的不斉注意(CASPIAN)を導入する。 また,セマンティックセグメンテーションタスクにおいて重要な空間的コンテキストを増大させるために,補助的マルチスケール・マルチプランアテンションブランチの導入について検討する。 CASPIANET++は、Dice Scoresが91.19%、腫瘍コアが87.6%、腫瘍が81.03%である。
  論文  参考訳（メタデータ） (2021-07-08T20:35:17Z)
• Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
  肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。 コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。 細気管支、動脈、静脈に対して優れた感受性を有する。
  論文  参考訳（メタデータ） (2020-12-10T15:56:08Z)
• CANet: Context Aware Network for 3D Brain Glioma Segmentation [33.34852704111597]
  そこで我々は,脳神経グリオーマセグメンテーションのためのコンテキスト・アウェア・ネットワーク(CANet)という新しいアプローチを提案する。 CANetは、畳み込み空間と特徴相互作用グラフの両方からコンテキストを持つ高次元および差別的な特徴をキャプチャする。 BRATS 2017, BRATS 2018 および BRATS 2019 を用いて脳神経グリオーマ分節データセットを用いて本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-07-15T16:12:41Z)
• Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
  そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。 この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。 提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
  論文  参考訳（メタデータ） (2020-02-26T14:10:40Z)

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。