Fugu-MT 論文翻訳(概要): Patch Network for medical image Segmentation

論文の概要: Patch Network for medical image Segmentation

arxiv url: http://arxiv.org/abs/2302.11802v1
Date: Thu, 23 Feb 2023 06:29:31 GMT
ステータス: 処理完了
システム内更新日: 2023-02-24 16:09:40.414317
Title: Patch Network for medical image Segmentation
Title（参考訳）: 医用画像分割のためのパッチネットワーク
Authors: Weihu Song and Heng Yu and Jianhua Wu
Abstract要約: 我々は、Swin Transformerの概念を畳み込みニューラルネットワークに組み込んだパッチネットワーク(PNet)を提案する。我々のPNetは、速度と精度の両方でSOTA性能を達成する。
参考スコア（独自算出の注目度）: 10.893993462772409
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate and fast segmentation of medical images is clinically essential, yet current research methods include convolutional neural networks with fast inference speed but difficulty in learning image contextual features, and transformer with good performance but high hardware requirements. In this paper, we present a Patch Network (PNet) that incorporates the Swin Transformer notion into a convolutional neural network, allowing it to gather richer contextual information while achieving the balance of speed and accuracy. We test our PNet on Polyp(CVC-ClinicDB and ETIS- LaribPolypDB), Skin(ISIC-2018 Skin lesion segmentation challenge dataset) segmentation datasets. Our PNet achieves SOTA performance in both speed and accuracy.
Abstract（参考訳）: 医療画像の正確かつ高速な分割は臨床的に不可欠であるが、現在の研究方法には、高速な推論速度を持つ畳み込みニューラルネットワークや、画像文脈特徴の学習が困難であるトランスフォーマなどがある。本稿では,swainトランスフォーマーの概念を畳み込みニューラルネットワークに組み込んだパッチネットワーク(pnet)を提案する。 polyp(cvc-clinicdbおよびetis-laribpolypdb)、skin(isic-2018 skin lesion segmentation challenge dataset)セグメンテーションデータセット上でpnetをテストした。我々のPNetは、速度と精度の両方でSOTA性能を達成する。

関連論文リスト

Toward Relative Positional Encoding in Spiking Transformers [52.62008099390541]
スパイキングニューラルネットワーク(スパイキングニューラルネット、英: Spiking Neural Network、SNN)は、脳内のニューロンが離散スパイクを通してどのように通信するかをモデル化するバイオインスパイアネットワークである。本稿では,スパイキング変換器における相対位置符号化(RPE)の近似手法を提案する。
論文参考訳（メタデータ） (2025-01-28T06:42:37Z)
TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文参考訳（メタデータ） (2024-04-15T06:01:48Z)
SLP-Net:An efficient lightweight network for segmentation of skin lesions [9.812172372998358]
SLP-Netは、スパイキングニューラルP(SNP)システム型機構に基づく超軽量皮膚病変セグメンテーションネットワークである。通常のエンコーダ・デコーダ構造を持たない軽量なマルチスケール特徴抽出器を設計する。 ISIC2018チャレンジの実験では、提案されたモデルが最先端の手法の中で最も高いAccとDSCを持つことを示した。
論文参考訳（メタデータ） (2023-12-20T06:22:21Z)
PHG-Net: Persistent Homology Guided Medical Image Classification [14.450329809640422]
医用画像分類のためのトポロジ的特徴を探索する永続的ホモロジーガイド手法(PHG-Net)を提案する。入力画像に対して、まずその3次永続図を計算し、トポロジ的特徴をベクトル表現に抽出する。抽出したトポロジ的特徴は、特徴融合のためにCNNやTransformerによって生成された特徴マップに組み込まれる。
論文参考訳（メタデータ） (2023-11-28T21:34:06Z)
CMUNeXt: An Efficient Medical Image Segmentation Network based on Large Kernel and Skip Fusion [11.434576556863934]
CMUNeXtは、効率的な完全畳み込み軽量医療画像セグメンテーションネットワークである。実際のシーンシナリオにおいて、迅速かつ正確な補助診断を可能にする。
論文参考訳（メタデータ） (2023-08-02T15:54:00Z)
Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文参考訳（メタデータ） (2023-07-20T16:00:19Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
TFCNs: A CNN-Transformer Hybrid Network for Medical Image Segmentation [4.768284586442054]
本稿では,TFCN (Transformers for Fully Convolutional denseNets) を提案する。我々はTFCNがSynapseデータセットで83.72%のダイススコアで最先端のパフォーマンスを達成可能であることを示す。
論文参考訳（メタデータ） (2022-07-07T17:28:18Z)
CCAT-NET: A Novel Transformer Based Semi-supervised Framework for Covid-19 Lung Lesion Segmentation [8.90602077660994]
本稿では,CNNとTransformerを組み合わせた新しいネットワーク構造を提案する。また,ラベル付きデータの不足に対処するために,効率的な半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-04-06T14:05:48Z)
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
論文参考訳（メタデータ） (2021-05-12T09:30:26Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。