論文の概要: BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images
- arxiv url: http://arxiv.org/abs/2207.08114v1
- Date: Sun, 17 Jul 2022 08:54:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-19 18:15:21.259351
- Title: BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images
- Title（参考訳）: BCS-Net : CT画像からの自動肺感染症分離のための境界, 文脈, 意味
- Authors: Runmin Cong, Haowei Yang, Qiuping Jiang, Wei Gao, Haisheng Li, Cong
Wang, Yao Zhao, and Sam Kwong
- Abstract要約: BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。
BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。
BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
- 参考スコア（独自算出の注目度）: 83.82141604007899
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The spread of COVID-19 has brought a huge disaster to the world, and the
automatic segmentation of infection regions can help doctors to make diagnosis
quickly and reduce workload. However, there are several challenges for the
accurate and complete segmentation, such as the scattered infection area
distribution, complex background noises, and blurred segmentation boundaries.
To this end, in this paper, we propose a novel network for automatic COVID-19
lung infection segmentation from CT images, named BCS-Net, which considers the
boundary, context, and semantic attributes. The BCS-Net follows an
encoder-decoder architecture, and more designs focus on the decoder stage that
includes three progressively Boundary-Context-Semantic Reconstruction (BCSR)
blocks. In each BCSR block, the attention-guided global context (AGGC) module
is designed to learn the most valuable encoder features for decoder by
highlighting the important spatial and boundary locations and modeling the
global context dependence. Besides, a semantic guidance (SG) unit generates the
semantic guidance map to refine the decoder features by aggregating multi-scale
high-level features at the intermediate resolution. Extensive experiments
demonstrate that our proposed framework outperforms the existing competitors
both qualitatively and quantitatively.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大は世界に大きな災害をもたらしており、感染症領域の自動分離は医師の診断の迅速化と作業負荷の削減に役立つ。
しかし, 感染域分布のばらつき, 背景雑音の複雑化, 分節境界のぼやけなど, 正確かつ完全なセグメンテーションにはいくつかの課題がある。
そこで本研究では,境界,文脈,意味的属性を考慮に入れたBCS-NetというCT画像から,COVID-19の肺感染症自動セグメンテーションのための新しいネットワークを提案する。
BCS-Netはエンコーダ・デコーダアーキテクチャに従っており、さらに設計は3つのBCSRブロックを含むデコーダステージに焦点を当てている。
BCSRの各ブロックにおいて、注意誘導グローバルコンテキスト(AGGC)モジュールは、重要な空間および境界位置を強調し、グローバルコンテキスト依存をモデル化することによって、デコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
また、セマンティクスガイダンス(sg)ユニットは、中間解像度でマルチスケールハイレベルな特徴を集約することによりデコーダの特徴を洗練するために、セマンティクスガイダンスマップを生成する。
大規模な実験により,提案するフレームワークは,定性的かつ定量的に既存の競合より優れていることが示された。
関連論文リスト
- BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳（メタデータ） (2024-01-01T10:49:09Z) - Rethinking Boundary Detection in Deep Learning Models for Medical Image
Segmentation [27.322629156662547]
Convolution, Transformer, Operator (CTO) と呼ばれる新しいネットワークアーキテクチャを提案する。
CTOは、高い認識精度を達成するために、畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、および明示的な境界検出演算子を組み合わせている。
提案手法の性能を6つの挑戦的医用画像セグメンテーションデータセットで評価した。
論文 参考訳（メタデータ） (2023-05-01T06:13:08Z) - Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。
LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。
GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
論文 参考訳（メタデータ） (2023-01-12T04:06:44Z) - Full-scale Deeply Supervised Attention Network for Segmenting COVID-19
Lesions [0.24366811507669117]
我々は,CT画像におけるコロナ感染領域の効率的なセグメンテーションのためのフルスケールDeeply Supervised Attention Network(FuDSA-Net)を紹介した。
モデルは、ネットワークの異なるレベルで取得されたマルチスカラー機能を含む、エンコーディングパスの全レベルからのアクティベーション応答を考察する。
マルチスカラー特性の全領域を新しいアテンション機構に組み込むことで、アクティベーション応答と有用な情報を含む位置の選択が優先される。
論文 参考訳（メタデータ） (2022-10-27T16:05:47Z) - Recurrent Feature Propagation and Edge Skip-Connections for Automatic
Abdominal Organ Segmentation [13.544665065396373]
本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。
実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-01-02T08:33:19Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - 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) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。