論文の概要: UNet-2022: Exploring Dynamics in Non-isomorphic Architecture

• arxiv url: http://arxiv.org/abs/2210.15566v1
• Date: Thu, 27 Oct 2022 16:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:33:19.071254
• Title: UNet-2022: Exploring Dynamics in Non-isomorphic Architecture
• Title（参考訳）: UNet-2022:非同型アーキテクチャにおけるダイナミクスの探索
• Authors: Jiansen Guo, Hong-Yu Zhou, Liansheng Wang, Yizhou Yu
• Abstract要約: 単純並列化による自己意図と畳み込みの利点を生かした並列非同型ブロックを提案する。 得られたU字型セグメンテーションモデルをUNet-2022と呼ぶ。 実験では、UNet-2022は明らかにレンジセグメンテーションタスクにおいてその性能を上回っている。
• 参考スコア（独自算出の注目度）: 52.04899592688968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent medical image segmentation models are mostly hybrid, which integrate self-attention and convolution layers into the non-isomorphic architecture. However, one potential drawback of these approaches is that they failed to provide an intuitive explanation of why this hybrid combination manner is beneficial, making it difficult for subsequent work to make improvements on top of them. To address this issue, we first analyze the differences between the weight allocation mechanisms of the self-attention and convolution. Based on this analysis, we propose to construct a parallel non-isomorphic block that takes the advantages of self-attention and convolution with simple parallelization. We name the resulting U-shape segmentation model as UNet-2022. In experiments, UNet-2022 obviously outperforms its counterparts in a range segmentation tasks, including abdominal multi-organ segmentation, automatic cardiac diagnosis, neural structures segmentation, and skin lesion segmentation, sometimes surpassing the best performing baseline by 4%. Specifically, UNet-2022 surpasses nnUNet, the most recognized segmentation model at present, by large margins. These phenomena indicate the potential of UNet-2022 to become the model of choice for medical image segmentation.
• Abstract（参考訳）: 最近の医療画像セグメンテーションモデルは、主にハイブリッドであり、自己注意層と畳み込み層を非同型アーキテクチャに統合している。 しかし、これらのアプローチの潜在的な欠点の1つは、このハイブリッドな組み合わせがなぜ有益なのかを直感的に説明できなかったため、その後の作業で改善が難しいことである。 この問題に対処するために,まず,自己着脱と畳み込みの重み付け機構の違いを分析する。 この解析に基づいて,単純並列化による自己結合と畳み込みの利点を活かした並列非同型ブロックを構築することを提案する。 結果の u-shape セグメンテーションモデルは unet-2022 と命名する。 実験では、unet-2022は腹部マルチオルガンセグメンテーション、自動心臓診断、神経構造セグメンテーション、皮膚病変セグメンテーションといった範囲のセグメンテーションタスクにおいて明らかにその相手を上回っており、しばしば最高のパフォーマンス基準を4%上回っている。 特にUNet-2022は、現在最も認識されているセグメンテーションモデルであるnnUNetを大きなマージンで上回っている。 これらの現象は、UNet-2022が医療画像セグメンテーションのモデルになる可能性を示している。

関連論文リスト

• Optimized Vessel Segmentation: A Structure-Agnostic Approach with Small Vessel Enhancement and Morphological Correction [7.882674026364302]
  マルチモーダル血管セグメンテーションのための小型血管拡張と形態的補正を取り入れた構造診断手法を提案する。 本手法は,より優れたセグメンテーション精度,一般化,34.6%の接続性向上を実現し,臨床応用の可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T08:38:30Z)
• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Lory: Fully Differentiable Mixture-of-Experts for Autoregressive Language Model Pre-training [73.90260246781435]
  私たちは、このようなアーキテクチャを自動回帰言語モデルに拡張する最初のアプローチであるLoryを紹介します。 パラメータマッチングされた高密度モデルよりも、多種多様な下流タスクにおいて顕著な性能向上を示す。 セグメントレベルのルーティングにもかかわらず、Loryモデルはトークンレベルのルーティングを備えた最先端のMoEモデルと比較して、競合的なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-06T03:06:33Z)
• Optimizing contrastive learning for cortical folding pattern detection [0.0]
  我々は,囲い領域の折りたたみパターンを検出するための自己教師型ディープラーニングモデルを構築した。 このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用されたのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-01-31T17:59:57Z)
• SLCA: Slow Learner with Classifier Alignment for Continual Learning on a Pre-trained Model [73.80068155830708]
  予備学習モデル(CLPM)を用いた連続学習のための広範囲な解析法を提案する。 Slow Learner with Alignment (SLCA) というシンプルなアプローチを提案する。 さまざまなシナリオにおいて、私たちの提案はCLPMの大幅な改善を提供します。
  論文  参考訳（メタデータ） (2023-03-09T08:57:01Z)
• Orthogonal Ensemble Networks for Biomedical Image Segmentation [10.011414604407681]
  モデル多様性を明示する新しいフレームワークであるOrthogonal Ensemble Networks (OEN)を紹介する。 提案手法を2つの課題脳病変セグメンテーションタスクでベンチマークする。 実験結果から,本手法はより頑健でよく校正されたアンサンブルモデルを生成することが示された。
  論文  参考訳（メタデータ） (2021-05-22T23:44:55Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。