論文の概要: Swin Deformable Attention Hybrid U-Net for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2302.14450v1
- Date: Tue, 28 Feb 2023 09:54:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:11:41.718258
- Title: Swin Deformable Attention Hybrid U-Net for Medical Image Segmentation
- Title(参考訳): 医用画像分割のためのスウィンデフォルマブルアテンションハイブリッドU-Net
- Authors: Lichao Wang, Jiahao Huang, Guang Yang
- Abstract要約: セグメンテーション性能を向上させるために,ハイブリッドアーキテクチャによるスイニング・デフォルタブル・アテンションの導入を提案する。
今回提案したSwin Deformable Attention Hybrid UNetは,解剖学的および病変のセグメンテーション作業における最先端性能を示す。
- 参考スコア(独自算出の注目度): 1.711876685506149
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: How to harmonize convolution and multi-head self-attention mechanisms has
recently emerged as a significant area of research in the field of medical
image segmentation. Various combination methods have been proposed. However,
there is a common flaw in these works: failed to provide a direct explanation
for their hybrid model, which is crucial in clinical scenarios. Deformable
Attention can improve the segmentation performance and provide an explanation
based on the deformation field. Incorporating Deformable Attention into a
hybrid model could result in a synergistic effect to boost segmentation
performance while enhancing the explainability. In this study, we propose the
incorporation of Swin Deformable Attention with hybrid architecture to improve
the segmentation performance while establishing explainability. In the
experiment section, our proposed Swin Deformable Attention Hybrid UNet
(SDAH-UNet) demonstrates state-of-the-art performance on both anatomical and
lesion segmentation tasks.
- Abstract(参考訳): 近年,医療画像分割の分野では,畳み込みと多頭部セルフアテンション機構の調和が重要な研究分野となっている。
様々な組み合わせ方法が提案されている。
しかし、これらの研究には共通の欠点があり、臨床シナリオにおいて重要なハイブリッドモデルの直接的な説明が得られなかった。
変形性注意は、セグメンテーション性能を改善し、変形場に基づく説明を提供する。
変形可能な注意をハイブリッドモデルに組み込むことは、説明可能性を高めながらセグメンテーション性能を高めるための相乗効果をもたらす可能性がある。
本研究では,スイニング・デフォルタブル・アテンションをハイブリッドアーキテクチャに組み込むことにより,セグメンテーション性能を向上し,説明可能性を確立した。
SDAH-UNet(Swin Deformable Attention Hybrid UNet)では,解剖学的および病変のセグメンテーション作業における最先端の性能を示す。
関連論文リスト
- EviPrompt: A Training-Free Evidential Prompt Generation Method for
Segment Anything Model in Medical Images [14.899388051854084]
医用画像のセグメンテーションは、臨床応用性は非常に高いが、深層学習の進歩にもかかわらず、依然として課題である。
本稿では,これらの課題を克服するために,EviPromptという新たなトレーニング不要なエフェクトプロンプト生成手法を提案する。
提案手法は,医用画像に固有の類似性に基づいて構築され,単一の参照画像アノテーションペアのみを必要とする。
論文 参考訳(メタデータ) (2023-11-10T21:22:22Z) - A New Multimodal Medical Image Fusion based on Laplacian Autoencoder
with Channel Attention [3.1531360678320897]
ディープラーニングモデルは、非常に堅牢で正確なパフォーマンスでエンドツーエンドの画像融合を実現した。
ほとんどのDLベースの融合モデルは、学習可能なパラメータや計算量を最小限に抑えるために、入力画像上でダウンサンプリングを行う。
本稿では,ラープラシア・ガウス統合とアテンションプールを融合したマルチモーダル医用画像融合モデルを提案する。
論文 参考訳(メタデータ) (2023-10-18T11:29:53Z) - Performance Analysis of UNet and Variants for Medical Image Segmentation [1.5410557873153836]
本研究の目的は,深層学習モデル,特にUNetアーキテクチャとその変種に着目した医用画像セグメンテーションの応用を検討することである。
その結果,深層ネットワーク層で拡張された標準UNetは,有能な医用画像セグメンテーションモデルであることが判明した。
Res-UNetとAttention Res-UNetアーキテクチャは、特に細かな画像の詳細を扱う際に、よりスムーズな収束と優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-09-22T17:20:40Z) - Introducing Shape Prior Module in Diffusion Model for Medical Image
Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。
我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。
本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-09-12T03:05:00Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Multi-task Paired Masking with Alignment Modeling for Medical
Vision-Language Pre-training [55.56609500764344]
本稿では,マルチタスク・ペアド・マスキング・アライメント(MPMA)に基づく統合フレームワークを提案する。
また, メモリ拡張クロスモーダルフュージョン (MA-CMF) モジュールを導入し, 視覚情報を完全統合し, レポート再構築を支援する。
論文 参考訳(メタデータ) (2023-05-13T13:53:48Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - MedSegDiff-V2: Diffusion based Medical Image Segmentation with
Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。
画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文 参考訳(メタデータ) (2023-01-19T03:42:36Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - 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。