論文の概要: Swin Deformable Attention Hybrid U-Net for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2302.14450v2
- Date: Wed, 27 Sep 2023 07:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 19:50:41.727276
- 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, Xiaodan Xing, Guang Yang
- Abstract要約: そこで本研究では,Swin(Shifted Window)デフォルマブル・アテンションをハイブリッドアーキテクチャに組み込んでセグメンテーション性能を向上させることを提案する。
提案するSwing Deformable Attention Hybrid UNet (SDAH-UNet) は解剖学的および病変分割作業における最先端の性能を示す。
- 参考スコア(独自算出の注目度): 3.407509559779547
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medical image segmentation is a crucial task in the field of medical image
analysis. Harmonizing the convolution and multi-head self-attention mechanism
is a recent research focus in this field, with various combination methods
proposed. However, the lack of interpretability of these hybrid models remains
a common pitfall, limiting their practical application in clinical scenarios.
To address this issue, we propose to incorporate the Shifted Window (Swin)
Deformable Attention into a hybrid architecture to improve segmentation
performance while ensuring explainability. Our proposed Swin Deformable
Attention Hybrid UNet (SDAH-UNet) demonstrates state-of-the-art performance on
both anatomical and lesion segmentation tasks. Moreover, we provide a direct
and visual explanation of the model focalization and how the model forms it,
enabling clinicians to better understand and trust the decision of the model.
Our approach could be a promising solution to the challenge of developing
accurate and interpretable medical image segmentation models.
- Abstract(参考訳): 医用画像のセグメンテーションは、医用画像解析における重要な課題である。
畳み込みとマルチヘッド自己保持機構の調和は,近年のこの分野における様々な組み合わせ手法による研究の焦点となっている。
しかしながら、これらのハイブリッドモデルの解釈可能性の欠如は共通の落とし穴であり、臨床シナリオにおける実践的応用を制限している。
この問題に対処するため,我々は Shifted Window (Swin) Deformable Attention をハイブリッドアーキテクチャに統合し,セグメンテーション性能を向上し,説明可能性を確保することを提案する。
提案するSwing Deformable Attention Hybrid UNet (SDAH-UNet) は解剖学的および病変分割作業における最先端の性能を示す。
さらに,モデル焦点化の直接的かつ視覚的な説明と,モデルがモデルをどのように形成するかを説明し,臨床医がモデルの決定をよりよく理解し,信頼できるようにする。
我々のアプローチは、正確かつ解釈可能な医用画像セグメンテーションモデルを開発するという課題に対する、有望な解決策になり得る。
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。