論文の概要: SeATrans: Learning Segmentation-Assisted diagnosis model via Transforme
- arxiv url: http://arxiv.org/abs/2206.05763v1
- Date: Sun, 12 Jun 2022 15:10:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 07:14:52.052306
- Title: SeATrans: Learning Segmentation-Assisted diagnosis model via Transforme
- Title（参考訳）: SeATrans: Transformeを用いたセグメンテーション支援診断モデル
- Authors: Junde Wu, Huihui Fang, Fangxin Shang, Dalu Yang, Zhaowei Wang, Jing
Gao, Yehui Yang, Yanwu Xu
- Abstract要約: 本稿では,視覚支援型診断変換器(SeATrans)を提案する。
まず、各低レベル診断特徴とマルチスケールセグメンテーション特徴とを相関させる非対称なマルチスケールインタラクション戦略を提案する。
セグメンテーション-診断相互作用をモデル化するために、SeAブロックはまず、エンコーダを介してセグメンテーション情報に基づいて診断特徴を埋め込み、デコーダによりその埋め込みを診断特徴空間に戻す。
- 参考スコア（独自算出の注目度）: 13.63128987400635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinically, the accurate annotation of lesions/tissues can significantly
facilitate the disease diagnosis. For example, the segmentation of optic
disc/cup (OD/OC) on fundus image would facilitate the glaucoma diagnosis, the
segmentation of skin lesions on dermoscopic images is helpful to the melanoma
diagnosis, etc. With the advancement of deep learning techniques, a wide range
of methods proved the lesions/tissues segmentation can also facilitate the
automated disease diagnosis models. However, existing methods are limited in
the sense that they can only capture static regional correlations in the
images. Inspired by the global and dynamic nature of Vision Transformer, in
this paper, we propose Segmentation-Assisted diagnosis Transformer (SeATrans)
to transfer the segmentation knowledge to the disease diagnosis network.
Specifically, we first propose an asymmetric multi-scale interaction strategy
to correlate each single low-level diagnosis feature with multi-scale
segmentation features. Then, an effective strategy called SeA-block is adopted
to vitalize diagnosis feature via correlated segmentation features. To model
the segmentation-diagnosis interaction, SeA-block first embeds the diagnosis
feature based on the segmentation information via the encoder, and then
transfers the embedding back to the diagnosis feature space by a decoder.
Experimental results demonstrate that SeATrans surpasses a wide range of
state-of-the-art (SOTA) segmentation-assisted diagnosis methods on several
disease diagnosis tasks.
- Abstract（参考訳）: 臨床的に,病変の正確な注釈は,疾患診断を著しく促進する可能性がある。
例えば、眼底画像における視神経円板/カップ(od/oc)の分割は緑内障の診断、皮膚内視鏡画像上の皮膚病変の分割はメラノーマ診断などに有用である。
深層学習技術の進歩により, 病変の分類・分類が自動診断モデルに役立つことが, 幅広い手法で証明された。
しかし,既存の手法は画像中の静的な地域相関しか捉えないという意味で制限されている。
本稿では,視覚トランスフォーマのグローバルかつダイナミックな性質に着想を得て,セグメンテーション支援診断トランスフォーマ(seatrans)を提案し,セグメンテーション知識を疾患診断ネットワークに伝達する。
具体的には,まず,単一の低レベル診断特徴とマルチスケールセグメンテーション特徴を関連付ける非対称なマルチスケールインタラクション戦略を提案する。
次に,SeAブロックと呼ばれる有効戦略を採用し,相関セグメンテーション機能を用いて診断機能を活性化する。
セグメンテーション-診断相互作用をモデル化するために、SeAブロックはまず、エンコーダを介してセグメンテーション情報に基づいて診断特徴を埋め込み、デコーダによりその埋め込みを診断特徴空間に戻す。
実験の結果,SeATransはいくつかの疾患診断タスクにおいて,SOTA(State-of-the-art)セグメンテーション支援診断法を超越していることがわかった。
関連論文リスト
- Understanding Stain Separation Improves Cross-Scanner Adenocarcinoma Segmentation with Joint Multi-Task Learning [2.3470559413988936]
デジタル病理学は腫瘍の診断とセグメンテーションに大きな進歩をもたらしたが、画像の可変性は現在のアルゴリズムの有効性を制限している。
COSAS (Cross-Organ and Cross-Scanner Adenocarcinoma) は、セグメント化アルゴリズムのドメインシフトに対するレジリエンスを改善することでこの問題に対処している。
提案手法では,マルチデコーダオートエンコーダを用いたマルチタスク学習フレームワーク内での汚れ分離による教師なし学習を採用する。
論文 参考訳（メタデータ） (2024-09-20T06:12:52Z) - Semantics-Aware Attention Guidance for Diagnosing Whole Slide Images [5.856390270089738]
我々はSemantics-Aware Attention Guidance(SAG)という新しいフレームワークを紹介する。
SAGは,1) 診断関連エンティティを注意信号に変換する技術,2) 意味的に重要な情報を効率的に統合する柔軟な注意損失を含む。
2つの異なるがんデータセットに対する実験は、精度、精度、リコールにおいて一貫した改善を示す。
論文 参考訳（メタデータ） (2024-04-16T20:37:14Z) - 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) - Diagnosis Of Takotsubo Syndrome By Robust Feature Selection From The
Complex Latent Space Of DL-based Segmentation Network [4.583480375083946]
医学における分類モデルやセグメンテーションモデルを用いて、潜伏した特徴を学習し、堅牢な特徴選択をオプトアウトし、過度な適合につながる可能性がある。
本稿では,診断を支援するセグメンテーションモデルの潜在空間を用いた特徴選択手法を提案する。
診断精度82%が従来のSOTA (State-of-the-art) を上回り, 心疾患の鑑別診断に有用であった。
論文 参考訳（メタデータ） (2023-12-19T22:53:32Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - 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) - Calibrate the inter-observer segmentation uncertainty via
diagnosis-first principle [45.29954184893812]
本稿では, サーバ間セグメンテーションの不確実性を校正するための基準として, 診断第一原則を提案する。
さらに, 原画像からのTake and Give Modelto segment DF-GTを提案する。
実験の結果, 提案したDiFFは, 対応する疾患の診断を著しく促進できることがわかった。
論文 参考訳（メタデータ） (2022-08-05T07:12:24Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z)
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。