Fugu-MT 論文翻訳(概要): Super-Resolution Based Patch-Free 3D Medical Image Segmentation with Self-Supervised Guidance

論文の概要: Super-Resolution Based Patch-Free 3D Medical Image Segmentation with Self-Supervised Guidance

arxiv url: http://arxiv.org/abs/2210.14645v1
Date: Wed, 26 Oct 2022 11:46:08 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 15:45:45.738247
Title: Super-Resolution Based Patch-Free 3D Medical Image Segmentation with Self-Supervised Guidance
Title（参考訳）: 超解像型パッチフリー3次元医用画像分割法
Authors: Hongyi Wang, Lanfen Lin, Hongjie Hu, Qingqing Chen, Yinhao Li, Yutaro Iwamoto, Xian-Hua Han, Yen-Wei Chen, Ruofeng Tong
Abstract要約: 高分解能3次元画像分割は臨床診断において重要な役割を担っている。既存の3D画像分割法の多くはパッチベースのモデルを使用している。本稿では,超高解像度なパッチフリーな3次元医用画像分割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）: 20.86089285980103
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High resolution (HR) 3D medical image segmentation plays an important role in clinical diagnoses. However, HR images are difficult to be directly processed by mainstream graphical cards due to limited video memory. Therefore, most existing 3D medical image segmentation methods use patch-based models, which ignores global context information that is useful in accurate segmentation and has low inference efficiency. To address these problems, we propose a super-resolution (SR) guided patch-free 3D medical image segmentation framework that can realize HR segmentation with global information of low-resolution (LR) input. The framework contains two tasks: semantic segmentation (main task) and super resolution (auxiliary task). To balance the information loss with the LR input, we introduce a Self-Supervised Guidance Module (SGM), which employs a selective search method to crop a HR patch from the original image as restoration guidance. Multi-scale convolutional layers are used to mitigate the scale-inconsistency between the HR guidance features and the LR features. Moreover, we propose a Task-Fusion Module (TFM) to exploit the inter connections between segmentation and SR task. This module can also be used for Test Phase Fine-tuning (TPF), leading to a better model generalization ability. When predicting, only the main segmentation task is needed, while other modules can be removed to accelerate the inference. The experiments results on two different datasets show that our framework outperforms current patch-based and patch-free models. Our model also has a four times higher inference speed compared to traditional patch-based methods. Our codes are available at: https://github.com/Dootmaan/PFSeg-Full.
Abstract（参考訳）: 高分解能3次元画像分割は臨床診断において重要な役割を担っている。しかし、ビデオメモリが限られているため、メインストリームのグラフィカルカードでHR画像を直接処理することは困難である。そのため,既存の医用画像分割法では,正確なセグメンテーションに有用で推論効率の低いグローバルコンテキスト情報を無視するパッチベースのモデルが用いられている。これらの問題に対処するため、我々は、低解像度(LR)入力のグローバル情報とHRセグメンテーションを実現することのできる、パッチフリーな3次元医用画像分割フレームワークを提案する。このフレームワークにはセマンティックセグメンテーション(メインタスク)とスーパーレゾリューション(補助タスク)の2つのタスクが含まれている。情報損失とlr入力のバランスをとるために,本研究では,hrパッチを復元指導として抽出する選択的探索法を用いて,自己教師付き誘導モジュール(sgm)を提案する。 HR誘導機能とLR機能とのスケール不整合を緩和するために、マルチスケールの畳み込み層が使用される。さらに,セグメンテーションとSRタスク間の相互接続を利用するタスクフュージョンモジュール(TFM)を提案する。このモジュールはテストフェーズファインチューニング(TPF)にも使用することができ、より優れたモデル一般化能力をもたらす。予測には主セグメンテーションタスクのみが必要であるが、他のモジュールは推論を加速するために削除できる。実験の結果、2つの異なるデータセットで、我々のフレームワークが現在のパッチベースおよびパッチフリーモデルよりも優れています。我々のモデルは従来のパッチベースの手法に比べて4倍の推論速度を持つ。私たちのコードは、https://github.com/Dootmaan/PFSeg-Full.comで利用可能です。

関連論文リスト

HRDecoder: High-Resolution Decoder Network for Fundus Image Lesion Segmentation [12.606794661369959]
骨盤病変分割のための簡易高分解能デコーダネットワークHRDecoderを提案する。高精細な局所的特徴を捉えるための高精細な表現学習モジュールと、マルチスケールの予測を融合する高精細な融合モジュールを統合している。本手法は, 適正なメモリと計算オーバーヘッドを消費し, 推論速度の満足度を維持しながら, 足底部病変の全体的なセグメンテーション精度を効果的に向上させる。
論文参考訳（メタデータ） (2024-11-06T15:13:31Z)
REHRSeg: Unleashing the Power of Self-Supervised Super-Resolution for Resource-Efficient 3D MRI Segmentation [22.493810089353083]
高分解能(HR)3次元磁気共鳴イメージング(MRI)は、詳細な解剖学的構造情報を提供することができる。取得装置の要求が高いため、アノテーションによるHR画像の収集は常に臨床シナリオでは現実的ではない。本稿では,実世界のアプリケーションにおける課題に対処する新しい資源効率の高い高分解能フレームワーク(REHRSeg)を提案する。
論文参考訳（メタデータ） (2024-10-14T02:28:18Z)
HartleyMHA: Self-Attention in Frequency Domain for Resolution-Robust and Parameter-Efficient 3D Image Segmentation [4.48473804240016]
本稿では,効率的な自己注意による画像解像度のトレーニングに頑健なHartleyMHAモデルを提案する。我々は、モデルサイズを桁違いに小さくするために、共有パラメータを持つハートレー変換を用いてFNOを変更する。 BraTS'19データセットでテストすると、モデルパラメータの1%未満の他のテストモデルよりも、画像解像度のトレーニングに優れた堅牢性を達成した。
論文参考訳（メタデータ） (2023-10-05T18:44:41Z)
Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
論文参考訳（メタデータ） (2023-08-14T08:23:58Z)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
論文参考訳（メタデータ） (2022-02-12T15:37:13Z)
High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。提案手法は画像分割精細化において高速かつ効果的である。
論文参考訳（メタデータ） (2021-11-29T11:53:06Z)
High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-04T03:28:33Z)
Polarimetric SAR Image Semantic Segmentation with 3D Discrete Wavelet Transform and Markov Random Field [32.59900433812833]
本稿では,文脈的PolSAR画像セマンティックセグメンテーション手法を提案する。 3D-DWT手法は,新たに定義したチャネル的に一貫した特徴を入力として,スペックルノイズに頑健な識別的マルチスケール特徴を抽出する。 3D-DWT機能とMRFプリエントを同時に活用することにより、セグメンテーション中にコンテキスト情報が完全に統合され、正確かつスムーズなセグメンテーションが保証される。
論文参考訳（メタデータ） (2020-08-05T08:28:18Z)
An End-to-end Framework For Low-Resolution Remote Sensing Semantic Segmentation [0.5076419064097732]
超解像とセマンティックセグメンテーションモジュールを結合したエンドツーエンドフレームワークを提案する。これにより、セマンティックセグメンテーションネットワークが再構成プロセスを実行し、入力されたイメージを便利なテクスチャで修正することができる。その結果,本フレームワークは,ネイティブな高解像度データに近いセグメンテーション性能を実現することができることがわかった。
論文参考訳（メタデータ） (2020-03-17T21:41:22Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。