論文の概要: CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects
- arxiv url: http://arxiv.org/abs/2301.13366v1
- Date: Tue, 31 Jan 2023 02:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 18:02:09.713410
- Title: CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects
- Title（参考訳）: CaraNet:小さな医療対象のセグメンテーションのためのコンテキスト軸逆アテンションネットワーク
- Authors: Ange Lou, Shuyue Guan, Murray Loew
- Abstract要約: 本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸逆アテンションネットワーク(CaraNet)を提案する。
我々のCaraNetはDiceセグメンテーションの精度を最上位で達成し、その結果、小さな医療オブジェクトのセグメンテーションにおいてCaraNetの明確な優位性を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting medical images accurately and reliably is important for disease
diagnosis and treatment. It is a challenging task because of the wide variety
of objects' sizes, shapes, and scanning modalities. Recently, many
convolutional neural networks (CNN) have been designed for segmentation tasks
and achieved great success. Few studies, however, have fully considered the
sizes of objects, and thus most demonstrate poor performance for small objects
segmentation. This can have a significant impact on the early detection of
diseases. This paper proposes a Context Axial Reverse Attention Network
(CaraNet) to improve the segmentation performance on small objects compared
with several recent state-of-the-art models. CaraNet applies axial reserve
attention (ARA) and channel-wise feature pyramid (CFP) module to dig feature
information of small medical object. And we evaluate our model by six different
measurement metrics. We test our CaraNet on brain tumor (BraTS 2018) and polyp
(Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, and ETIS-LaribPolypDB)
segmentation datasets. Our CaraNet achieves the top-rank mean Dice segmentation
accuracy, and results show a distinct advantage of CaraNet in the segmentation
of small medical objects.
- Abstract（参考訳）: 疾患の診断と治療には, 医用画像の正確かつ確実な分離が重要である。
様々な物体のサイズ、形状、および走査モーダル性のため、これは難しい課題である。
近年、多くの畳み込みニューラルネットワーク(CNN)がセグメンテーションタスク用に設計され、大きな成功を収めている。
しかし、オブジェクトのサイズを十分に考慮している研究はほとんどなく、したがって小さなオブジェクトのセグメンテーションの性能は低い。
これは病気の早期発見に大きな影響を与える可能性がある。
本稿では,いくつかの最先端モデルと比較して,小さなオブジェクトのセグメンテーション性能を向上させるためのコンテキスト軸逆アテンションネットワーク(CaraNet)を提案する。
caranet は axial reserve attention (ara) と channel-wise feature pyramid (cfp) モジュールを適用し、小さな医療対象の特徴情報を発掘する。
そして、6つの異なる測定指標でモデルを評価する。
脳腫瘍(BraTS 2018)とポリープ(Kvasir-SEG, CVC-ColonDB, CVC-ClinicDB, CVC-300, ETIS-LaribPolypDB)のセグメンテーションデータセットをテストした。
私たちのカラネットは平均ダイスセグメンテーションの精度をトップランクで達成し,小型医療機器のセグメンテーションにおけるカラネットのアドバンテージを示す。
関連論文リスト
- EFCNet: Every Feature Counts for Small Medical Object Segmentation [44.26196156775273]
本報告では, 臨床的意義の大きい, 非常に小さな医療対象のセグメンテーションについて検討する。
CNN、UNetのようなモデル、そして最近のトランスフォーマーは、画像セグメンテーションの大幅な進歩を示している。
医用画像における小物体分割のためのEFCNetという新しいモデルを提案する。
論文 参考訳（メタデータ） (2024-06-26T09:33:51Z) - AttResDU-Net: Medical Image Segmentation Using Attention-based Residual
Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。
CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文 参考訳（メタデータ） (2023-06-25T14:28:08Z) - SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation
for Nasopharyngeal Carcinoma [0.0]
深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。
従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。
本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
論文 参考訳（メタデータ） (2021-12-28T07:48:18Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - CaraNet: Context Axial Reverse Attention Network for Segmentation of
Small Medical Objects [0.0]
本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸予約注意ネットワーク(CaraNet)を提案する。
我々のCaraNetは、Diceのセグメンテーションの精度を最上位で達成していますが、小さな医療オブジェクトのセグメンテーションにおいて、明らかなアドバンテージも示しています。
論文 参考訳（メタデータ） (2021-08-16T22:48:47Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳（メタデータ） (2020-11-20T04:56:39Z) - w-Net: Dual Supervised Medical Image Segmentation Model with
Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。
提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
論文 参考訳（メタデータ） (2020-11-15T13:54:22Z) - CA-Net: Comprehensive Attention Convolutional Neural Networks for
Explainable Medical Image Segmentation [20.848367370280695]
我々は、CNNアーキテクチャにおける複数の注意点を幅広く活用し、より正確で説明可能な医療画像セグメンテーションのための総合的な注意ベースCNN(CA-Net)を提案する。
皮膚病変では平均セグメンテーションDiceスコアが87.77%から92.08%に有意に改善した。
モデルのサイズは、最先端のDeepLabv3+に比べて15倍小さくなり、精度も向上した。
論文 参考訳（メタデータ） (2020-09-22T13:41:06Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - KiU-Net: Towards Accurate Segmentation of Biomedical Images using
Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。
このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。
早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文 参考訳（メタデータ） (2020-06-08T18:59:24Z)
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。