論文の概要: Voxels Intersecting along Orthogonal Levels Attention U-Net for Intracerebral Haemorrhage Segmentation in Head CT

• arxiv url: http://arxiv.org/abs/2208.06313v2
• Date: Tue, 4 Apr 2023 14:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 19:05:51.801189
• Title: Voxels Intersecting along Orthogonal Levels Attention U-Net for Intracerebral Haemorrhage Segmentation in Head CT
• Title（参考訳）: 頭部CTにおける脳内出血分節に対する直交位U-Netに沿って交わるVoxels
• Authors: Qinghui Liu, Bradley J MacIntosh, Till Schellhorn, Karoline Skogen, KyrreEeg Emblem, and Atle Bj{\o}rnerud
• Abstract要約: 直交レベルに沿ったVoxels-Intersecting along Orthogonal Levels Attention U-Net」と呼ばれる,新規でフレキシブルな注目に基づくU-Netアーキテクチャを提案する。 ICHセグメンテーションの性能は,U-Netデコード分岐に挿入したViolaアテンションにより,空間的およびチャネル的特徴を効率よく組み込むことで向上した。
• 参考スコア（独自算出の注目度）: 1.0039211120441933
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a novel and flexible attention based U-Net architecture referred to as "Voxels-Intersecting Along Orthogonal Levels Attention U-Net" (viola-Unet), for intracranial hemorrhage (ICH) segmentation task in the INSTANCE 2022 Data Challenge on non-contrast computed tomography (CT). The performance of ICH segmentation was improved by efficiently incorporating fused spatially orthogonal and cross-channel features via our proposed Viola attention plugged into the U-Net decoding branches. The viola-Unet outperformed the strong baseline nnU-Net models during both 5-fold cross validation and online validation. Our solution was the winner of the challenge validation phase in terms of all four performance metrics (i.e., DSC, HD, NSD, and RVD). The code base, pretrained weights, and docker image of the viola-Unet AI tool are publicly available at \url{https://github.com/samleoqh/Viola-Unet}.
• Abstract（参考訳）: Instance 2022 Data Challenge on non-contrast Computed Tomography (CT)において,脳内出血(ICH)セグメンテーションタスクのための新しい,フレキシブルな注意に基づくU-NetアーキテクチャであるVoxels-Intersecting along Orthogonal Levels Attention U-Netを提案する。 ICHセグメンテーションの性能は,U-Netデコード分岐に挿入したViolaアテンションを通した空間直交・クロスチャネル特徴を効率よく組み込むことで向上した。 Viola-Unetは5倍のクロスバリデーションとオンラインバリデーションで強力なベースラインnnU-Netモデルを上回った。 私たちのソリューションは、4つのパフォーマンスメトリクス(DSC、HD、NSD、RVD)すべての観点から、チャレンジ検証フェーズの勝者でした。 Viola-Unet AIツールのコードベース、トレーニング済み重量、およびDockerイメージは、 \url{https://github.com/samleoqh/Viola-Unet}で公開されている。

関連論文リスト

• UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters [10.940349832919699]
  事前学習したViTを用いた教師なしセグメンテーションフレームワークを提案する。 画像内に固有のグラフ構造を利用することにより,セグメント化における顕著な性能を実現する。 提案手法は,ベンチマーク画像セグメンテーションデータセット上での最先端性能(教師付き手法に匹敵する)を提供する。
  論文  参考訳（メタデータ） (2024-10-08T15:10:09Z)
• TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。 本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。 空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。 チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• FDNet: Feature Decoupled Segmentation Network for Tooth CBCT Image [5.455286826028825]
  本稿では,CBCTスキャンで遭遇する歯質変化状況に優れた特徴デカップリングネットワークであるFDNetを提案する。 フレームワークの有効性は厳格なベンチマークによって検証され、それぞれ85.28%と75.23%のDiceとIoUのスコアを達成している。
  論文  参考訳（メタデータ） (2023-11-11T12:00:24Z)
• Slim U-Net: Efficient Anatomical Feature Preserving U-net Architecture for Ultrasound Image Segmentation [0.03499870393443267]
  男性の骨盤像UltraSound(US)画像における尿中膀胱(UB)の分画に対するU-Netモデルの適用性について検討した。 アメリカの画像のUBは任意の形状、不明瞭な境界を持ち、物体間および物体内変動がかなり大きい。 UBセグメンテーションの課題に対処するために,Slim U-Netを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:54:39Z)
• Continuous U-Net: Faster, Greater and Noiseless [2.6163085620813287]
  画像セグメンテーションのための新しいネットワークファミリーであるContinuous U-Netを紹介する。 より高速な収束、高ロバスト性、ノイズに対する感度の低下を示す理論的な保証を提供する。 本研究では, 医用画像セグメンテーションベンチマークデータセットにおいて, 既存のU-Netブロックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-01T17:46:00Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• EAR-U-Net: EfficientNet and attention-based residual U-Net for automatic liver segmentation in CT [0.5461681605490603]
  本稿ではEAR-U-Netと呼ばれる新しいネットワークフレームワークを提案する。 EfficientNetB4、アテンションゲート、残留学習技術を活用して、自動的かつ正確な肝セグメンテーションを実現する。
  論文  参考訳（メタデータ） (2021-10-03T14:43:18Z)
• Affinity Attention Graph Neural Network for Weakly Supervised Semantic Segmentation [86.44301443789763]
  弱教師付きセマンティックセグメンテーションのための親和性注意グラフニューラルネットワーク(A2$GNN)を提案する。 提案手法は,Pascal VOC 2012データセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-08T02:19:21Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• PSC-Net: Learning Part Spatial Co-occurrence for Occluded Pedestrian Detection [144.19392893747582]
  本稿では,歩行者検出のための新しいアプローチをPSC-Netと呼ぶ。 PSC-Netは、グラフ畳み込みネットワーク(GCN)を介して、異なる歩行者体のパーツ間の共起情報と部分内共起情報の両方をキャプチャする 我々のPSC-Netは歩行者のトポロジ的構造を利用しており、空間的共起を学習するために、部分ベースのアノテーションや視覚的バウンディングボックス(VBB)情報を必要としない。
  論文  参考訳（メタデータ） (2020-01-25T02:03:17Z)

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。