論文の概要: Full-scale Deeply Supervised Attention Network for Segmenting COVID-19 Lesions

• arxiv url: http://arxiv.org/abs/2210.15571v1
• Date: Thu, 27 Oct 2022 16:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:32:56.423605
• Title: Full-scale Deeply Supervised Attention Network for Segmenting COVID-19 Lesions
• Title（参考訳）: 新型コロナウイルス感染拡大防止のための完全監視型注意ネットワーク
• Authors: Pallabi Dutta and Sushmita Mitra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.24366811507669117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated delineation of COVID-19 lesions from lung CT scans aids the diagnosis and prognosis for patients. The asymmetric shapes and positioning of the infected regions make the task extremely difficult. Capturing information at multiple scales will assist in deciphering features, at global and local levels, to encompass lesions of variable size and texture. We introduce the Full-scale Deeply Supervised Attention Network (FuDSA-Net), for efficient segmentation of corona-infected lung areas in CT images. The model considers activation responses from all levels of the encoding path, encompassing multi-scalar features acquired at different levels of the network. This helps segment target regions (lesions) of varying shape, size and contrast. Incorporation of the entire gamut of multi-scalar characteristics into the novel attention mechanism helps prioritize the selection of activation responses and locations containing useful information. Determining robust and discriminatory features along the decoder path is facilitated with deep supervision. Connections in the decoder arm are remodeled to handle the issue of vanishing gradient. As observed from the experimental results, FuDSA-Net surpasses other state-of-the-art architectures; especially, when it comes to characterizing complicated geometries of the lesions.
• Abstract（参考訳）: 肺ctスキャンによるcovid-19病変の自動診断は、患者の診断と予後を補助する。 感染した領域の非対称な形状と位置決めは、タスクを極端に困難にする。 複数のスケールで情報をキャプチャすることで、グローバルレベルとローカルレベルの特徴の解読を支援し、可変サイズとテクスチャの病変を包含する。 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。 これは、形状、サイズ、コントラストの異なるターゲット領域(配列)を分割するのに役立ちます。 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。 デコーダパスに沿った堅牢で差別的な特徴の決定は、より深い監督の下で容易である。 デコーダアームの接続は、勾配の消失の問題に対処するために改造される。 実験結果からわかるように、FuDSA-Netは他の最先端アーキテクチャ、特に病変の複雑な地形を特徴づける上では、超越している。

関連論文リスト

• 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)
• Mixed Attention with Deep Supervision for Delineation of COVID Infection in Lung CT [0.24366811507669117]
  新しい深層学習アーキテクチャであるMiADS-Net(Mixed Attention Deeply Supervised Network)を提案する。 MiADS-Netは、COVID-19病変のセグメンテーションタスクにおいて、最先端のアーキテクチャよりも優れています。
  論文  参考訳（メタデータ） (2023-01-17T15:36:27Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• DKMA-ULD: Domain Knowledge augmented Multi-head Attention based Robust Universal Lesion Detection [19.165942326142538]
  本稿では,1つのデータセットであるDeepLesionをトレーニングすることにより,全身の臓器にまたがる病変を検出できる,堅牢な普遍的病変検出(ULD)ネットワークを提案する。 我々は,新しい畳み込み型マルチヘッド自己保持モジュールを用いて,様々な強度のCTスライスを解析した。 約32KのCTスキャンと全臓器に注視病変を付加したDeepLesionデータセットを用いて,本ネットワークの有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-14T06:54:28Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• PAANet: Progressive Alternating Attention for Automatic Medical Image Segmentation [11.392283602422442]
  病気の位置を知ることは、治療と意思決定において重要な役割を果たす。 CNNベースのエンコーダ・デコーダ技術は、自動化された医用画像分割システムの性能を向上した。 本稿では,PAANet(Progressive alternating attention network)を提案する。
  論文  参考訳（メタデータ） (2021-11-20T15:49:42Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)
• Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound [59.105304755899034]
  本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。 我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。 3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
  論文  参考訳（メタデータ） (2019-07-03T05:21:52Z)

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。