論文の概要: CM-MLP: Cascade Multi-scale MLP with Axial Context Relation Encoder for Edge Segmentation of Medical Image

• arxiv url: http://arxiv.org/abs/2208.10701v1
• Date: Tue, 23 Aug 2022 02:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:42:41.087400
• Title: CM-MLP: Cascade Multi-scale MLP with Axial Context Relation Encoder for Edge Segmentation of Medical Image
• Title（参考訳）: CM-MLP:医療画像のエッジセグメンテーションのための軸関係エンコーダを用いたカスケードマルチスケールMLP
• Authors: Jinkai Lv and Yuyong Hu and Quanshui Fu and Zhiwang Zhang and Yuqiang Hu and Lin Lv and Guoqing Yang and Jinpeng Li and Yi Zhao
• Abstract要約: MFI(Multiscale Feature Interaction)ブロックとACRE(Axial Context)ブロック上のCM-MLPフレームワークを医用画像のエッジの正確なセグメンテーションのために提案する。 提案したCM-MLPフレームワークのセグメンテーション精度(Dice)は,3つのベンチマークデータセットで96.96%,96.76%,82.54%に達する。
• 参考スコア（独自算出の注目度）: 6.678473881771895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convolutional-based methods provide good segmentation performance in the medical image segmentation task. However, those methods have the following challenges when dealing with the edges of the medical images: (1) Previous convolutional-based methods do not focus on the boundary relationship between foreground and background around the segmentation edge, which leads to the degradation of segmentation performance when the edge changes complexly. (2) The inductive bias of the convolutional layer cannot be adapted to complex edge changes and the aggregation of multiple-segmented areas, resulting in its performance improvement mostly limited to segmenting the body of segmented areas instead of the edge. To address these challenges, we propose the CM-MLP framework on MFI (Multi-scale Feature Interaction) block and ACRE (Axial Context Relation Encoder) block for accurate segmentation of the edge of medical image. In the MFI block, we propose the cascade multi-scale MLP (Cascade MLP) to process all local information from the deeper layers of the network simultaneously and utilize a cascade multi-scale mechanism to fuse discrete local information gradually. Then, the ACRE block is used to make the deep supervision focus on exploring the boundary relationship between foreground and background to modify the edge of the medical image. The segmentation accuracy (Dice) of our proposed CM-MLP framework reaches 96.96%, 96.76%, and 82.54% on three benchmark datasets: CVC-ClinicDB dataset, sub-Kvasir dataset, and our in-house dataset, respectively, which significantly outperform the state-of-the-art method. The source code and trained models will be available at https://github.com/ProgrammerHyy/CM-MLP.
• Abstract（参考訳）: 畳み込みに基づく方法は、医用画像分割タスクにおいて良好なセグメンテーション性能を提供する。 しかし,(1)従来の畳み込み方式では前景とセグメンテーションエッジ周辺の背景の境界関係に注目せず,エッジが複雑に変化するとセグメンテーション性能が低下する。 2) 畳み込み層の誘導バイアスは, 複雑なエッジ変化や複数セグメント領域の集約には適用できないため, その性能改善は主にエッジの代わりにセグメント化された領域の分割に限られる。 これらの課題に対処するために,MFIブロックとACREブロックのCM-MLPフレームワークを提案し,医用画像のエッジの正確なセグメンテーションを行う。 MFIブロックでは、ネットワークの深い層から全てのローカル情報を同時に処理するカスケードマルチスケールMLP(Cascade Multi-scale MLP)を提案し、カスケードマルチスケール機構を用いて、個別のローカル情報を徐々に融合させる。 次に、acreブロックを用いて、前景と背景の境界関係を探索し、医用画像の端を変更することに集中する。 提案したCM-MLPフレームワークのセグメンテーション精度(Dice)は,CVC-ClinicDBデータセット,サブKvasirデータセット,社内データセットの3つのベンチマークデータセットで96.96%,96.76%,82.54%に達し,最先端の手法を著しく上回る。 ソースコードとトレーニングされたモデルはhttps://github.com/ProgrammerHyy/CM-MLP.comで入手できる。

関連論文リスト

• Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation [10.152504573356413]
  本稿では,多目的セグメンテーションタスクのためのマルチスケール情報共有選択ネットワーク(MISNet)を提案する。 5つのpolypセグメンテーションデータセットの実験により、MISNetはセグメンテーション結果の精度と明確性を改善した。
  論文  参考訳（メタデータ） (2024-05-18T02:48:39Z)
• Generalizable Entity Grounding via Assistance of Large Language Model [77.07759442298666]
  本稿では,長いキャプションから密接な視覚的実体を抽出する手法を提案する。 本研究では,意味代名詞の抽出に大規模なマルチモーダルモデル,エンティティレベルのセグメンテーションを生成するクラス-aセグメンテーションモデル,および各セグメンテーション名詞と対応するセグメンテーションマスクを関連付けるマルチモーダル特徴融合モジュールを利用する。
  論文  参考訳（メタデータ） (2024-02-04T16:06:05Z)
• 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)
• Edge-aware Feature Aggregation Network for Polyp Segmentation [40.3881565207086]
  本研究では,ポリプセグメンテーションのためのエッジ対応特徴集約ネットワーク(EFA-Net)を提案する。 EFA-Netは、ポリプセグメンテーションの性能を高めるために、クロスレベルとマルチスケールの機能を完全に活用することができる。 広く採用されている5つの大腸内視鏡データセットの実験結果から,我々のEFA-Netは,一般化と有効性の観点から,最先端のポリプセグメンテーション法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-19T11:09:38Z)
• SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation [10.144870911523622]
  本稿では, 効率的なポリープ分割モデルを構築することを目的とした, エッジ誘導変換器 (SegT) ネットワークを提案する。 既存のCNNベースのアプローチよりも堅牢な表現を学習するトランスフォーマーエンコーダが特に適用された。 SegTの有効性を評価するために、5つの挑戦的な公開データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-06-19T08:32:05Z)
• 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)
• 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)
• 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)
• Hard Exudate Segmentation Supplemented by Super-Resolution with Multi-scale Attention Fusion Module [14.021944194533644]
  硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。 本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。 我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
  論文  参考訳（メタデータ） (2022-11-17T08:25:04Z)
• UNeXt: MLP-based Rapid Medical Image Segmentation Network [80.16644725886968]
  UNetとその最新の拡張であるTransUNetは、ここ数年で主要な医療画像分割手法である。 画像分割のための畳み込み多層パーセプトロンネットワークUNeXtを提案する。 パラメータ数を72倍に減らし,計算複雑性を68倍に減らし,推論速度を10倍に改善し,セグメンテーション性能も向上した。
  論文  参考訳（メタデータ） (2022-03-09T18:58:22Z)
• Left Ventricle Contouring in Cardiac Images Based on Deep Reinforcement Learning [0.12891210250935145]
  本稿では,エージェント強化学習に基づく医用画像のインタラクティブセグメンテーション手法を提案する。 我々は,ある順序で対象輪郭を描画する動的過程を,深い強化学習法に基づくマルコフ決定過程(MDP)としてモデル化する。 実験の結果, 少数の医用画像データセットにおいて, 左室のセグメンテーション効果は良好であった。
  論文  参考訳（メタデータ） (2021-06-08T06:30:32Z)

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。