論文の概要: MS-DC-UNeXt: An MLP-based Multi-Scale Feature Learning Framework For X-ray Images

• arxiv url: http://arxiv.org/abs/2210.12361v1
• Date: Sat, 22 Oct 2022 05:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 18:58:48.995849
• Title: MS-DC-UNeXt: An MLP-based Multi-Scale Feature Learning Framework For X-ray Images
• Title（参考訳）: MS-DC-UNeXt:X線画像のためのマルチスケール特徴学習フレームワーク
• Authors: Yuanyuan Jia and Xiaoyu Pan
• Abstract要約: 実験室環境では、ほとんどのセグメンテーションフレームワークは、軽量ネットワークアーキテクチャを犠牲にしてディープラーニングに基づいている。 医用画像分割のための代替ソリューションとしてMS-DC-UNeXtを活用することを推奨する。
• 参考スコア（独自算出の注目度）: 2.39606979825413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of deep learning theory and infrastructure is crucial in the progress of automatic segmentation techniques. Compared with traditional segmentation methods, automatic segmentation methods have considerable strengths such as convenience, accuracy, and so on. However, the drawbacks cannot be neglected. In the laboratory environment, most of the segmentation frameworks are based on deep learning at the cost of sacrificing the lightweight network architecture, adding a lot of parameters in the network to trade for excellent segmentation accuracy. In practical clinical applications, the lack of high computing performance (GPU) machines to maintain operational efficiency poses a huge challenge for the migration from laboratory to clinic. Recently, an alternative to the CNN and Transformer frameworks has been enthusiastically touted, with MLP-based network parameters being significantly decreased as all parameters are learned in the linear layer of the MLP and generate striking outcomes similar to both. Inspired by the MLP-based framework, we recommend leveraging the MS-DC-UNeXt as an alternative solution for medical image segmentation, which is mainly composed of Tokenized MLP block, Dual Channel block(DC-block), and Bottleneck (Res-ASPP). Please refer to the paper for the complete abstract
• Abstract（参考訳）: ディープラーニング理論と基盤の進歩は、自動セグメンテーション技術の進歩において不可欠である。 従来のセグメンテーション法と比較して、自動セグメンテーション法は利便性や精度など、かなりの強度を持つ。 しかし、欠点は無視できない。 実験室環境では、ほとんどのセグメンテーションフレームワークは、軽量ネットワークアーキテクチャを犠牲にして、優れたセグメンテーション精度のためにネットワークに多くのパラメータを追加して、ディープラーニングに基づいている。 実用的臨床応用において,運用効率を維持するためのGPUマシンの欠如は,研究室から診療所へのマイグレーションにおいて大きな課題となっている。 近年、CNNとTransformerフレームワークの代替として、MLPベースのネットワークパラメータが大幅に減少し、全てのパラメータがMLPの線形層で学習され、両者と同様の顕著な結果が得られている。 mlpベースのフレームワークに触発されて、主にトークン化されたmlpブロック、デュアルチャネルブロック(dc-block)、ボトルネック(res-aspp)で構成される医療画像セグメンテーションの代替ソリューションとしてms-dc-unextを活用することを推奨する。 完全な要約については論文を参照してください。

関連論文リスト

• CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
  CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-03T13:36:07Z)
• 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)
• MCPA: Multi-scale Cross Perceptron Attention Network for 2D Medical Image Segmentation [7.720152925974362]
  MCPA(Multiscale Cross Perceptron Attention Network)と呼ばれる2次元医用画像分割モデルを提案する。 MCPAは、エンコーダ、デコーダ、クロスパーセプトロンの3つの主要コンポーネントで構成されている。 提案したMCPAモデルを,様々なタスクやデバイスから利用可能ないくつかの医用画像データセット上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T02:18:12Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• MedViT: A Robust Vision Transformer for Generalized Medical Image Classification [4.471084427623774]
  我々は,CNNの局所性と視覚変換器のグローバル接続性を備えた,頑健で効率的なCNN-Transformerハイブリッドモデルを提案する。 提案したハイブリッドモデルは,MedMNIST-2Dデータセットの大規模コレクションに関する最先端の研究と比較して,高い堅牢性と一般化能力を示す。
  論文  参考訳（メタデータ） (2023-02-19T02:55:45Z)
• 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)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• 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)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• 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。