論文の概要: ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation

• arxiv url: http://arxiv.org/abs/2211.02915v1
• Date: Sat, 5 Nov 2022 14:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:24:44.099871
• Title: ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation
• Title（参考訳）: esknet-an enhanced adaptive selection kernel convolution for breast tumors segmentation
• Authors: Gongping Chen, Jianxun Zhang, Yuming Liu, Jingjing Yin, Xiaotao Yin, Liang Cui, Yu Dai
• Abstract要約: 乳がんは、世界の女性の健康を危険にさらす一般的ながんの1つである。 CNNは超音波画像から乳腺腫瘍を分離するために提案されている。 乳腺腫瘍セグメンテーションのための選択的カーネル・コンボリューションを改良した。
• 参考スコア（独自算出の注目度）: 5.495464167329914
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Breast cancer is one of the common cancers that endanger the health of women globally. Accurate target lesion segmentation is essential for early clinical intervention and postoperative follow-up. Recently, many convolutional neural networks (CNNs) have been proposed to segment breast tumors from ultrasound images. However, the complex ultrasound pattern and the variable tumor shape and size bring challenges to the accurate segmentation of the breast lesion. Motivated by the selective kernel convolution, we introduce an enhanced selective kernel convolution for breast tumor segmentation, which integrates multiple feature map region representations and adaptively recalibrates the weights of these feature map regions from the channel and spatial dimensions. This region recalibration strategy enables the network to focus more on high-contributing region features and mitigate the perturbation of less useful regions. Finally, the enhanced selective kernel convolution is integrated into U-net with deep supervision constraints to adaptively capture the robust representation of breast tumors. Extensive experiments with twelve state-of-the-art deep learning segmentation methods on three public breast ultrasound datasets demonstrate that our method has a more competitive segmentation performance in breast ultrasound images.
• Abstract（参考訳）: 乳がんは女性の健康を危険にさらす一般的ながんの1つである。 早期臨床介入と術後経過観察には,正確なターゲット病変の分節が不可欠である。 近年,多くの畳み込みニューラルネットワーク (CNN) が超音波画像から乳腺腫瘍を分離するために提案されている。 しかし, 複雑な超音波像と異型腫瘍の形状と大きさは, 乳腺病変の正確な分画に困難をもたらす。 選択的核畳み込みに動機づけられ,複数の特徴マップ領域表現を統合し,これらの特徴マップ領域の重みをチャネルと空間次元から適応的に再調整する,乳腺腫瘍分割のための選択的核畳み込みの強化について紹介する。 この領域再調整戦略により、ネットワークは高分配領域の特徴に集中し、より有用でない領域の摂動を緩和できる。 最後に、拡張された選択的カーネル畳み込みをu-netに統合し、乳腺腫瘍のロバストな表現を適応的にキャプチャする。 3つの公衆乳房超音波データセットにおける12の最先端ディープラーニングセグメンテーション法を用いた広範囲な実験により,乳房超音波画像におけるより競争力の高いセグメンテーション性能を示す。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Progressive Dual Priori Network for Generalized Breast Tumor Segmentation [5.003997324423131]
  DCE-MRI画像から乳腺腫瘍を分離するプログレッシブデュアルプリオリネットワーク(PDPNet)を提案する。 その結果, PDPNetのDSCとHD95は, それぞれ5.13%, 7.58%改善した。
  論文  参考訳（メタデータ） (2023-10-20T15:12:06Z)
• 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)
• AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images [10.036858255491458]
  超音波画像から乳房病変を自動的に,安定的に分離する適応型注意U-net(AAU-net)を開発した。 具体的には、主にチャネル自己注意ブロックと空間自己注意ブロックからなるハイブリッド適応型アダプティブアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2022-04-26T05:12:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。