Fugu-MT 論文翻訳(概要): Attention Swin U-Net: Cross-Contextual Attention Mechanism for Skin Lesion Segmentation

論文の概要: Attention Swin U-Net: Cross-Contextual Attention Mechanism for Skin Lesion Segmentation

arxiv url: http://arxiv.org/abs/2210.16898v1
Date: Sun, 30 Oct 2022 17:41:35 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 16:43:12.898681
Title: Attention Swin U-Net: Cross-Contextual Attention Mechanism for Skin Lesion Segmentation
Title（参考訳）: attention swin u-net : 皮膚病変セグメンテーションにおける横断的注意機構
Authors: Ehsan Khodapanah Aghdam, Reza Azad, Maral Zarvani, Dorit Merhof
Abstract要約: 我々は,注目度に基づくSwin U-Net拡張であるAtt-SwinU-Netを医用画像セグメンテーションのために提案する。我々は、スキップ接続経路で使用される古典的連結操作は、注意機構を組み込むことで、さらに改善できると論じる。
参考スコア（独自算出の注目度）: 4.320393382724066
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Melanoma is caused by the abnormal growth of melanocytes in human skin. Like other cancers, this life-threatening skin cancer can be treated with early diagnosis. To support a diagnosis by automatic skin lesion segmentation, several Fully Convolutional Network (FCN) approaches, specifically the U-Net architecture, have been proposed. The U-Net model with a symmetrical architecture has exhibited superior performance in the segmentation task. However, the locality restriction of the convolutional operation incorporated in the U-Net architecture limits its performance in capturing long-range dependency, which is crucial for the segmentation task in medical images. To address this limitation, recently a Transformer based U-Net architecture that replaces the CNN blocks with the Swin Transformer module has been proposed to capture both local and global representation. In this paper, we propose Att-SwinU-Net, an attention-based Swin U-Net extension, for medical image segmentation. In our design, we seek to enhance the feature re-usability of the network by carefully designing the skip connection path. We argue that the classical concatenation operation utilized in the skip connection path can be further improved by incorporating an attention mechanism. By performing a comprehensive ablation study on several skin lesion segmentation datasets, we demonstrate the effectiveness of our proposed attention mechanism.
Abstract（参考訳）: メラノーマはヒト皮膚のメラノーマの異常増殖によって引き起こされる。他のがんと同様に、この致命的な皮膚がんは早期診断で治療することができる。皮膚病変の自動分割による診断を支援するため,完全畳み込みネットワーク(fcn)アプローチ,特にu-netアーキテクチャが提案されている。対称構造を持つU-Netモデルはセグメンテーションタスクにおいて優れた性能を示した。しかし,U-Netアーキテクチャに組み込まれた畳み込み操作の局所性制限は,医用画像のセグメンテーションタスクにおいて重要な長距離依存性を捕捉する際の性能を制限している。この制限に対処するため、最近、CNNブロックをSwin Transformerモジュールに置き換えるTransformerベースのU-Netアーキテクチャが提案されている。本稿では,医療画像セグメンテーションのための注意に基づくswain u-net拡張であるatt-swinu-netを提案する。本設計では,スキップ接続経路を慎重に設計することで,ネットワークの機能再使用性の向上を図る。注意機構を組み込むことにより、スキップ接続経路で使用される古典連結操作をさらに改善できると主張する。複数の皮膚病変区分データセットについて包括的アブレーション研究を行い,提案する注意機構の有効性を実証した。

関連論文リスト

TBConvL-Net: A Hybrid Deep Learning Architecture for Robust Medical Image Segmentation [6.013821375459473]
医用画像セグメンテーションのための新しいディープラーニングアーキテクチャを提案する。提案モデルでは,10の公開データセット上でのテクニックの現状に対して,一貫した改善が示されている。
論文参考訳（メタデータ） (2024-09-05T09:14:03Z)
TESL-Net: A Transformer-Enhanced CNN for Accurate Skin Lesion Segmentation [9.077654650104057]
皮膚癌の早期発見は皮膚病変の皮膚内視鏡像の正確な分画に依存している。メラノーマセグメンテーションの最近の手法はU-Netと完全連結ネットワーク(FCN)である皮膚病変のセグメンテーションのためのTESL-Netという新しいネットワークを導入する。
論文参考訳（メタデータ） (2024-08-19T03:49:48Z)
Double-Condensing Attention Condenser: Leveraging Attention in Deep Learning to Detect Skin Cancer from Skin Lesion Images [61.36288157482697]
皮膚がんはアメリカ合衆国で最も一般的な種類のがんであり、5人に1人のアメリカ人に影響を与えると推定されている。近年の進歩は,SIIM-ISICメラノーマ分類チャレンジのアートパフォーマンスの状況から,皮膚がん検出に強い効果を示している。本稿では,皮膚病変画像の皮膚癌検出に効率的な自己注意構造を活用し,皮膚病変画像からの皮膚癌検出をカスタマイズしたDC-ACを用いたディープニューラルネットワーク設計を提案する。
論文参考訳（メタデータ） (2023-11-20T10:45:39Z)
IARS SegNet: Interpretable Attention Residual Skip connection SegNet for melanoma segmentation [0.0]
IARS SegNetは、SegNetベースラインモデル上に構築された高度なセグメンテーションフレームワークである。スキップ接続、残差畳み込み、グローバルアテンション機構は、臨床的に関係のある領域の重要性をアクセントする重要な役割を担っている。この増強は重要な領域を強調し、理解を深め、メラノーマの診断においてより正確な皮膚病変の分節につながる。
論文参考訳（メタデータ） (2023-10-31T09:04:09Z)
Inter-Scale Dependency Modeling for Skin Lesion Segmentation with Transformer-based Networks [0.0]
メラノーマは皮膚細胞の異常増殖によって引き起こされる皮膚がんの危険形態である。 U-Netアーキテクチャを含むFCNアプローチは、皮膚病変を自動的に分割して診断を支援する。対称的U-Netモデルは優れた結果を示しているが、畳み込み演算を用いることで、長距離依存を捕捉する能力は制限されている。
論文参考訳（メタデータ） (2023-10-20T16:20:25Z)
Skin Lesion Segmentation Improved by Transformer-based Networks with Inter-scale Dependency Modeling [0.0]
メラノーマは異常な皮膚細胞増殖に起因する皮膚癌の一種である。対称的U-Netモデルの畳み込み操作への依存は、長距離依存をキャプチャする能力を妨げている。この制限を克服するために、TransformerベースのいくつかのU-Netトポロジが最近作成されている。
論文参考訳（メタデータ） (2023-10-20T15:53:51Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2022-06-02T07:38:53Z)
MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文参考訳（メタデータ） (2021-10-12T15:05:15Z)
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文参考訳（メタデータ） (2021-02-08T16:10:50Z)
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)

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。