論文の概要: Attention Augmented ConvNeXt UNet For Rectal Tumour Segmentation

• arxiv url: http://arxiv.org/abs/2210.00227v1
• Date: Sat, 1 Oct 2022 09:08:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 14:51:49.043767
• Title: Attention Augmented ConvNeXt UNet For Rectal Tumour Segmentation
• Title（参考訳）: 直腸腫瘍セグメンテーションのための注意強化convnext unet
• Authors: Hongwei Wu, Junlin Wang, Xin Wang, Hui Nan, Yaxin Wang, Haonan Jing, Kaixuan Shi
• Abstract要約: 深層学習を通して直腸癌腫瘍の位置と大きさを分類することは困難である。 本稿では,注意を拡大したConvNeXt UNet(AACN-UNet)を提案する。 UNetとその変種ネットワークによる実験によると、AACN-UNetはP、F1、Miouの最高値よりも0.9%、1.1%、そして1.4%高い。
• 参考スコア（独自算出の注目度）: 5.203079341228683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is a challenge to segment the location and size of rectal cancer tumours through deep learning. In this paper, in order to improve the ability of extracting suffi-cient feature information in rectal tumour segmentation, attention enlarged ConvNeXt UNet (AACN-UNet), is proposed. The network mainly includes two improvements: 1) the encoder stage of UNet is changed to ConvNeXt structure for encoding operation, which can not only integrate multi-scale semantic information on a large scale, but al-so reduce information loss and extract more feature information from CT images; 2) CBAM attention mechanism is added to improve the connection of each feature in channel and space, which is conducive to extracting the effective feature of the target and improving the segmentation accuracy.The experiment with UNet and its variant network shows that AACN-UNet is 0.9% ,1.1% and 1.4% higher than the current best results in P, F1 and Miou.Compared with the training time, the number of parameters in UNet network is less. This shows that our proposed AACN-UNet has achieved ex-cellent results in CT image segmentation of rectal cancer.
• Abstract（参考訳）: 深層学習により直腸癌腫瘍の位置と大きさを分割することが課題である。 本稿では,直腸腫瘍分節におけるsuffi-cient feature情報抽出能を向上させるために,注意拡大型convnext unet (aacn-unet) を提案する。 ネットワークは主に2つの改善が含まれている。 1) UNet のエンコーダ段階を ConvNeXt 構造に変更し,大規模な意味情報を統合できるだけでなく,情報損失を低減し,CT 画像からより多くの特徴情報を抽出することができる。 2) CBAMアテンション機構は,ターゲットの有効特徴の抽出とセグメンテーション精度の向上に寄与するチャネルと空間における各特徴の接続を改善するために追加され,UNetとその変種ネットワークを用いた実験により,AACN-UNetがP,F1,Miouの最高値より0.9%,1.1%,1.4%高いことがわかった。 今回提案したAACN-UNetは,直腸癌のCT像分割において極めて優れた結果を得た。

関連論文リスト

• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)
• 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)
• Adaptive Smooth Activation for Improved Disease Diagnosis and Organ Segmentation from Radiology Scans [2.788038354941588]
  本稿では,適応平滑化ユニット (ASAU) と呼ばれる新しいアクティベーション関数を提案する。 医学画像解析において, ASAU は, CT と MRI における自動疾患診断と臓器分割という, 重要かつ一般的に用いられる2つの一般的な課題に適用する。
  論文  参考訳（メタデータ） (2023-11-29T07:16:55Z)
• AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
  自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。 提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-07T03:22:06Z)
• Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data Augmentation [3.8371505627869955]
  Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。 実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
  論文  参考訳（メタデータ） (2023-02-25T21:42:00Z)
• 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)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
  平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。 また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
  論文  参考訳（メタデータ） (2021-01-27T08:20:49Z)
• 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)
• Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation [5.161531917413708]
  CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 CSA-DPUNetは15.31%、7.2%、7.2%、11.8%、9.5%のDice係数、P、R、F1をそれぞれ改善している。
  論文  参考訳（メタデータ） (2020-11-04T08:01:19Z)

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。