論文の概要: Endoscopy Classification Model Using Swin Transformer and Saliency Map
- arxiv url: http://arxiv.org/abs/2303.06736v1
- Date: Sun, 12 Mar 2023 19:36:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 17:07:33.159257
- Title: Endoscopy Classification Model Using Swin Transformer and Saliency Map
- Title(参考訳): Swin Transformer と Saliency Map を用いた内視鏡分類モデル
- Authors: Zahra Sobhaninia, Nasrin Abharian, Nader Karimi, Shahram Shirani,
Shadrokh Samavi
- Abstract要約: 内視鏡画像分類のための学習手法(ローカル・グローバル・ビュー)の2つの側面を考察した新しいマルチラベル分類法を提案する。
画像の局所的特徴と大域的特徴を利用して内視鏡的医用画像に対して,本手法が有効であることを示す。
- 参考スコア(独自算出の注目度): 11.031841470875571
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Endoscopy is a valuable tool for the early diagnosis of colon cancer.
However, it requires the expertise of endoscopists and is a time-consuming
process. In this work, we propose a new multi-label classification method,
which considers two aspects of learning approaches (local and global views) for
endoscopic image classification. The model consists of a Swin transformer
branch and a modified VGG16 model as a CNN branch. To help the learning process
of the CNN branch, the model employs saliency maps and endoscopy images and
concatenates them. The results demonstrate that this method performed well for
endoscopic medical images by utilizing local and global features of the images.
Furthermore, quantitative evaluations prove the proposed method's superiority
over state-of-the-art works.
- Abstract(参考訳): 内視鏡検査は大腸癌の早期診断に有用である。
しかし、それは内科医の専門知識を必要とし、時間を要するプロセスである。
本研究では,内視鏡画像分類における学習手法(ローカル・グローバル・ビュー)の2つの側面を考察した,新しいマルチラベル分類手法を提案する。
このモデルはswainトランスフォーマーブランチとcnnブランチとして改良されたvgg16モデルで構成されている。
cnnブランチの学習プロセスを支援するために、モデルは塩分マップと内視鏡画像を採用し、それらを結合する。
本手法は,局所的および大域的特徴を活かし,内視鏡的医用画像に対して良好に機能することを示す。
さらに,提案手法が最先端技術よりも優れていることを示す定量的評価を行った。
関連論文リスト
- MV-Swin-T: Mammogram Classification with Multi-view Swin Transformer [0.257133335028485]
マンモグラフィ画像分類における課題に対処するために,トランスフォーマーに基づく革新的なマルチビューネットワークを提案する。
提案手法では,ウィンドウベースの動的アテンションブロックを導入し,マルチビュー情報の効果的な統合を容易にする。
論文 参考訳(メタデータ) (2024-02-26T04:41:04Z) - Exploiting Causality Signals in Medical Images: A Pilot Study with
Empirical Results [1.2400966570867322]
本稿では,ニューラルネットワークによる分類目的の画像から弱い因果信号を発見し,利用するための新しい手法を提案する。
このようにして、画像の1つの部分における特徴の存在が、画像の別の部分における他の特徴の出現にどのように影響するかをモデル化する。
提案手法は,畳み込みニューラルネットワークのバックボーンと因果係数抽出モジュールから構成される。
論文 参考訳(メタデータ) (2023-09-19T08:00:26Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳(メタデータ) (2023-04-04T17:50:30Z) - 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) - Semi-supervised GAN for Bladder Tissue Classification in Multi-Domain
Endoscopic Images [10.48945682277992]
本稿では,3つの主要コンポーネントからなるGANに基づく半サプライズドジェネレーティブ・アドリアル・ネットワーク(GAN)を提案する。
組織分類法で得られた平均分類精度、精度、リコールは、それぞれ0.90, 0.88, 0.89である。
論文 参考訳(メタデータ) (2022-12-21T21:32:36Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳(メタデータ) (2022-06-24T22:25:31Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Self-Supervised Representation Learning using Visual Field Expansion on
Digital Pathology [7.568373895297608]
このような画像を分析する上で重要な課題は、そのサイズであり、そのサイズはギガピクセルに収まる。
本稿では,このようなタイルの強力な表現を学習し,視界を確実に拡張する新しい生成フレームワークを提案する。
我々のモデルは、異なる臨床エンドポイントに使用できる強力な表現を同時に学習しながら、細部で異なる組織タイプを生成することを学習する。
論文 参考訳(メタデータ) (2021-09-07T19:20:01Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Joint Learning of Vessel Segmentation and Artery/Vein Classification
with Post-processing [27.825969553813092]
血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。
我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。
実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
論文 参考訳(メタデータ) (2020-05-27T13:06:16Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。