論文の概要: Superresolution and Segmentation of OCT scans using Multi-Stage
adversarial Guided Attention Training
- arxiv url: http://arxiv.org/abs/2206.05277v1
- Date: Fri, 10 Jun 2022 00:26:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 19:04:27.281395
- Title: Superresolution and Segmentation of OCT scans using Multi-Stage
adversarial Guided Attention Training
- Title（参考訳）: 多段階対向誘導注意訓練によるOCTスキャンの高分解能化とセグメンテーション
- Authors: Paria Jeihouni, Omid Dehzangi, Annahita Amireskandari, Ali Dabouei,
Ali Rezai, Nasser M. Nasrabadi
- Abstract要約: 我々は,OCTスキャンを高分解能セグメンテーションラベルに変換する多段階・多識別型生成逆数ネットワーク(MultiSDGAN)を提案する。
我々は,MultiSDGANアーキテクチャに対して,チャネルと空間的注意の様々な組み合わせを評価し,比較し,より強力な特徴マップを抽出する。
その結果,Dice係数とSSIMでは21.44%,19.45%の相対的な改善が見られた。
- 参考スコア（独自算出の注目度）: 18.056525121226862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optical coherence tomography (OCT) is one of the non-invasive and
easy-to-acquire biomarkers (the thickness of the retinal layers, which is
detectable within OCT scans) being investigated to diagnose Alzheimer's disease
(AD). This work aims to segment the OCT images automatically; however, it is a
challenging task due to various issues such as the speckle noise, small target
region, and unfavorable imaging conditions. In our previous work, we have
proposed the multi-stage & multi-discriminatory generative adversarial network
(MultiSDGAN) to translate OCT scans in high-resolution segmentation labels. In
this investigation, we aim to evaluate and compare various combinations of
channel and spatial attention to the MultiSDGAN architecture to extract more
powerful feature maps by capturing rich contextual relationships to improve
segmentation performance. Moreover, we developed and evaluated a guided
mutli-stage attention framework where we incorporated a guided attention
mechanism by forcing an L-1 loss between a specifically designed binary mask
and the generated attention maps. Our ablation study results on the WVU-OCT
data-set in five-fold cross-validation (5-CV) suggest that the proposed
MultiSDGAN with a serial attention module provides the most competitive
performance, and guiding the spatial attention feature maps by binary masks
further improves the performance in our proposed network. Comparing the
baseline model with adding the guided-attention, our results demonstrated
relative improvements of 21.44% and 19.45% on the Dice coefficient and SSIM,
respectively.
- Abstract（参考訳）: 光コヒーレンストモグラフィ(OCT)は、アルツハイマー病(AD)の診断のために研究されている非侵襲的で容易に取得できるバイオマーカーの一つである。
本研究は,OCT画像を自動分割することを目的としているが,スペックルノイズ,小ターゲット領域,望ましくない撮像条件など,様々な問題のために難しい課題である。
これまでの研究では,octスキャンを高分解能セグメンテーションラベルに翻訳する多段階多弁別生成逆ネットワーク (multisdgan) を提案している。
本研究では,マルチSDGANアーキテクチャに対するチャネルと空間的注意の組み合わせを評価し,より強力な特徴マップを抽出し,セグメンテーション性能を向上させることを目的としている。
さらに,特別に設計されたバイナリマスクと生成したアテンションマップのl-1損失を強制してアテンション機構を組み込んだ誘導型メタリステージアテンションフレームワークを開発し,評価した。
5倍のクロスバリデーション(5-CV)におけるWVU-OCTデータ集合に対するアブレーション実験の結果,提案するマルチSDGANが最も競争力のある性能を示し,二乗マスクによる空間的注目特徴マップの誘導により,ネットワークの性能がさらに向上することが示唆された。
その結果,Dice係数とSSIMの相対的改善は21.44%,SSIMは19.45%であった。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Improving Vision Anomaly Detection with the Guidance of Language
Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。
本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。
視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文 参考訳（メタデータ） (2023-10-04T13:44:56Z) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳（メタデータ） (2023-07-12T16:14:23Z) - 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) - 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes
for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。
我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。
それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文 参考訳（メタデータ） (2022-04-08T07:56:55Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳（メタデータ） (2021-08-05T10:35:06Z) - 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) - MPG-Net: Multi-Prediction Guided Network for Segmentation of Retinal
Layers in OCT Images [11.370735571629602]
OCT画像の自動網膜層分割のための新しいマルチプレディション誘導アテンションネットワーク(MPG-Net)を提案する。
MPG-Netは、信頼性の高い自動セグメンテーションのためのU字形完全畳み込みネットワーク(FCN)の識別力を強化する2つの主要なステップから構成される。
論文 参考訳（メタデータ） (2020-09-28T21:22:22Z) - 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)
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。