論文の概要: MS-DCANet: A Novel Segmentation Network For Multi-Modality COVID-19
Medical Images
- arxiv url: http://arxiv.org/abs/2210.12361v3
- Date: Sat, 22 Apr 2023 09:25:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 23:38:55.290955
- Title: MS-DCANet: A Novel Segmentation Network For Multi-Modality COVID-19
Medical Images
- Title（参考訳）: MS-DCANet:多目的COVID-19医療画像のための新しいセグメンテーションネットワーク
- Authors: Xiaoyu Pan, Huazheng Zhu, Jinglong Du, Guangtao Hu, Baoru Han,
Yuanyuan Jia
- Abstract要約: コロナウイルス病2019(COVID-19)パンデミックは公衆衛生の負担を増し、人間に深刻な災害をもたらした。
一部の研究者は、モデルの複雑さを追加することによってセグメンテーションの精度を改善した。
本稿では,MS-DCANetという対称デコーダセグメンテーションフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.340523650338255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Coronavirus Disease 2019 (COVID-19) pandemic has increased the public
health burden and brought profound disaster to humans. For the particularity of
the COVID-19 medical images with blurred boundaries, low contrast and different
sizes of infection sites, some researchers have improved the segmentation
accuracy by adding model complexity. However, this approach has severe
limitations. Increasing the computational complexity and the number of
parameters is unfavorable for model transfer from laboratory to clinic.
Meanwhile, the current COVID-19 infections segmentation DCNN-based methods only
apply to a single modality. To solve the above issues, this paper proposes a
symmetric Encoder-Decoder segmentation framework named MS-DCANet. We introduce
Tokenized MLP block, a novel attention scheme that uses a shift-window
mechanism similar to the Transformer to acquire self-attention and achieve
local-to-global semantic dependency. MS-DCANet also uses several Dual Channel
blocks and a Res-ASPP block to expand the receptive field and extract
multi-scale features. On multi-modality COVID-19 tasks, MS-DCANet achieved
state-of-the-art performance compared with other U-shape models. It can well
trade off the accuracy and complexity. To prove the strong generalization
ability of our proposed model, we apply it to other tasks (ISIC 2018 and BAA)
and achieve satisfactory results.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)パンデミックは公衆衛生の負担を増し、人間に深刻な災害をもたらした。
境界線がぼやけたり、コントラストが低いり、感染部位のサイズが異なる新型コロナウイルスの医療画像に特有な点については、モデルの複雑さを追加することでセグメンテーションの精度を向上させた研究者もいる。
しかし、このアプローチには厳しい制限がある。
計算複雑性とパラメータの数の増加は、実験室からクリニックへのモデル転送には好ましくない。
一方、現在のCOVID-19感染症のセグメンテーションDCNNベースの方法は、単一のモダリティにのみ適用される。
そこで本稿では,MS-DCANetと呼ばれる対称エンコーダ-デコーダセグメンテーションフレームワークを提案する。
Tokenized MLP blockは、Transformerに似たシフトウインドウ機構を用いて、自己注意を取得し、局所的な言語間セマンティック依存を実現する新しいアテンション方式である。
MS-DCANetはまた、いくつかのデュアルチャネルブロックとRes-ASPPブロックを使用して、受信フィールドを拡張し、マルチスケールの特徴を抽出する。
マルチモードのCOVID-19タスクでは、MS-DCANetは他のU字型モデルと比較して最先端のパフォーマンスを達成した。
正確さと複雑さをトレードオフできるのです。
提案モデルの強力な一般化能力を証明するため,他の課題(ISIC 2018とBAA)に適用し,良好な結果を得た。
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。