論文の概要: D-TrAttUnet: Dual-Decoder Transformer-Based Attention Unet Architecture
for Binary and Multi-classes Covid-19 Infection Segmentation
- arxiv url: http://arxiv.org/abs/2303.15576v1
- Date: Mon, 27 Mar 2023 20:05:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 17:16:58.634753
- Title: D-TrAttUnet: Dual-Decoder Transformer-Based Attention Unet Architecture
for Binary and Multi-classes Covid-19 Infection Segmentation
- Title（参考訳）: d-trattunet:デュアルデコーダトランスフォーマベースの注意型unetアーキテクチャによるcovid-19感染セグメンテーション
- Authors: Fares Bougourzi and Cosimo Distante and Fadi Dornaika and Abdelmalik
Taleb-Ahmed
- Abstract要約: 我々はCTスライスからのCovid-19感染症分離のためのTransformer-CNNベースの新しいアプローチを提案する。
Transformer-CNNエンコーダはTransformerレイヤ、UpResBlocks、ResBlocks、max-poolingレイヤを使って構築されている。
The proposed D-TrAttUnet architecture is evaluate for both Binary and Multi-classes Covid-19 infection segmentation。
- 参考スコア（独自算出の注目度）: 18.231677739397977
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In the last three years, the world has been facing a global crisis caused by
Covid-19 pandemic. Medical imaging has been playing a crucial role in the
fighting against this disease and saving the human lives. Indeed, CT-scans has
proved their efficiency in diagnosing, detecting, and following-up the Covid-19
infection. In this paper, we propose a new Transformer-CNN based approach for
Covid-19 infection segmentation from the CT slices. The proposed D-TrAttUnet
architecture has an Encoder-Decoder structure, where compound Transformer-CNN
encoder and Dual-Decoders are proposed. The Transformer-CNN encoder is built
using Transformer layers, UpResBlocks, ResBlocks and max-pooling layers. The
Dual-Decoder consists of two identical CNN decoders with attention gates. The
two decoders are used to segment the infection and the lung regions
simultaneously and the losses of the two tasks are joined. The proposed
D-TrAttUnet architecture is evaluated for both Binary and Multi-classes
Covid-19 infection segmentation. The experimental results prove the efficiency
of the proposed approach to deal with the complexity of Covid-19 segmentation
task from limited data. Furthermore, D-TrAttUnet architecture outperforms three
baseline CNN segmentation architectures (Unet, AttUnet and Unet++) and three
state-of-the-art architectures (AnamNet, SCOATNet and CopleNet), in both Binary
and Mutli-classes segmentation tasks.
- Abstract（参考訳）: 過去3年間、世界はコビッドウイルスのパンデミックによる世界的な危機に直面してきた。
医療画像はこの病気と闘い、人間の命を救う上で重要な役割を担っている。
実際、CTスキャンはCovid-19感染の診断、検出、追跡の効率を証明している。
本稿では,CTスライスからのCovid-19感染セグメンテーションのためのTransformer-CNNベースの新しいアプローチを提案する。
提案するd-trattunetアーキテクチャは、複合トランスフォーマ-cnnエンコーダとデュアルデコーダが提案されるエンコーダ-デコーダ構造を有する。
transformer-cnnエンコーダは、transformer layer、upresblocks、resblocks、max-pooling layerを使用して構築されている。
デュアルデコーダは2つの同一のCNNデコーダとアテンションゲートで構成される。
2つのデコーダは、感染と肺領域を同時に区分するために使用され、2つのタスクの損失が結合される。
提案するd-trattunetアーキテクチャは,2級および複数級のcovid-19感染セグメンテーションにおいて評価されている。
実験により,限られたデータからのCovid-19セグメンテーションタスクの複雑さに対処する手法の有効性が示された。
さらに、D-TrAttUnetアーキテクチャは、3つのベースラインCNNセグメンテーションアーキテクチャ(Unet、AttUnet、Unet++)と3つの最先端アーキテクチャ(AnamNet、SCOATNet、CopleNet)をバイナリとMutliクラスのセグメンテーションタスクで上回っている。
関連論文リスト
- D-TrAttUnet: Toward Hybrid CNN-Transformer Architecture for Generic and Subtle Segmentation in Medical Images [18.087365906278013]
D-TrAttUnetアーキテクチャは、異なる疾患がしばしば特定の臓器をターゲットにしているという観察に基づいている。
我々のアーキテクチャは、複合CNNエンコーダとデュアルデコーダを備えたエンコーダ・デコーダ構造を含む。
アプローチを検証するため,Covid-19および骨転移セグメンテーションタスクの評価を行った。
論文 参考訳（メタデータ） (2024-05-07T10:09:41Z) - Rethinking Attention Gated with Hybrid Dual Pyramid Transformer-CNN for Generalized Segmentation in Medical Imaging [17.07490339960335]
本稿では,強力なCNN-Transformerエンコーダを効率的に構築するためのハイブリッドCNN-Transformerセグメンテーションアーキテクチャ(PAG-TransYnet)を提案する。
我々のアプローチは、デュアルピラミッドハイブリッドエンコーダ内のアテンションゲートを利用する。
論文 参考訳（メタデータ） (2024-04-28T14:37:10Z) - 3D TransUNet: Advancing Medical Image Segmentation through Vision
Transformers [40.21263511313524]
医療画像のセグメンテーションは、疾患診断と治療計画のための医療システムの発展に重要な役割を担っている。
U-Netとして知られるU字型アーキテクチャは、様々な医療画像セグメンテーションタスクで高い成功を収めている。
これらの制限に対処するため、研究者たちはトランスフォーマー(Transformer)に転換した。
論文 参考訳（メタデータ） (2023-10-11T18:07:19Z) - CATS v2: Hybrid encoders for robust medical segmentation [12.194439938007672]
畳み込みニューラルネットワーク(CNN)は、医用画像分割タスクにおいて強力な性能を示した。
しかし、畳み込みカーネルの視野が限られているため、CNNがグローバル情報を完全に表現することは困難である。
ローカル情報とグローバル情報の両方を活用するハイブリッドエンコーダを用いたCATS v2を提案する。
論文 参考訳（メタデータ） (2023-08-11T20:21:54Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Cats: Complementary CNN and Transformer Encoders for Segmentation [13.288195115791758]
生体医用画像分割のための二重エンコーダを用いたモデルを提案する。
畳み込みエンコーダと変換器の情報を融合してデコーダに渡して結果を得る。
提案手法は,各タスクにトランスフォーマーと非変換器を併用した最先端モデルと比較して,ボード全体のDiceスコアを高くする。
論文 参考訳（メタデータ） (2022-08-24T14:25:11Z) - BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。
BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。
BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文 参考訳（メタデータ） (2022-07-17T08:54:07Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - 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) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z)
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。