Fugu-MT 論文翻訳(概要): Cross-Reference Transformer for Few-shot Medical Image Segmentation

論文の概要: Cross-Reference Transformer for Few-shot Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2304.09630v1
Date: Wed, 19 Apr 2023 13:05:18 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 14:21:50.217463
Title: Cross-Reference Transformer for Few-shot Medical Image Segmentation
Title（参考訳）: 医用画像分割用クロスリファレンス変換器
Authors: Yao Huang and Jianming Liu
Abstract要約: 本稿では,医用画像セグメンテーションのためのクロスリファレンス変換器を提案する。既存のクロスリファレンスサポートイメージとクエリイメージとのインタラクションの欠如に対処する。実験の結果,CTデータセットとMRIデータセットの両方で良好な結果が得られた。
参考スコア（独自算出の注目度）: 3.2634122554914
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the contradiction of medical image processing, that is, the application of medical images is more and more widely and the limitation of medical images is difficult to label, few-shot learning technology has begun to receive more attention in the field of medical image processing. This paper proposes a Cross-Reference Transformer for medical image segmentation, which addresses the lack of interaction between the existing Cross-Reference support image and the query image. It can better mine and enhance the similar parts of support features and query features in high-dimensional channels. Experimental results show that the proposed model achieves good results on both CT dataset and MRI dataset.
Abstract（参考訳）: 医用画像処理の矛盾、すなわち医用画像の応用はますます広くなり、医用画像の制限はラベル付けが難しいため、医療用画像処理の分野では、少ないショット学習技術がより注目され始めている。本稿では,既存のクロスリファレンスサポートイメージとクエリイメージとの相互作用の欠如に対処する医療画像セグメンテーションのためのクロスリファレンストランスフォーマを提案する。高次元チャネルでサポート機能やクエリ機能に類似した部分のマイニングと強化が可能である。実験の結果,CTデータセットとMRIデータセットの両方で良好な結果が得られた。

関連論文リスト

Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。提案手法は,最先端の手法と同等に機能することを示す。
論文参考訳（メタデータ） (2024-08-12T15:38:51Z)
Cross-Domain Few-Shot Semantic Segmentation via Doubly Matching Transformation [26.788260801305974]
Cross-Domain Few-shot Semantic (CD-FSS)は、いくつかのラベル付きイメージで異なるドメインからクラスをセグメントできる一般化モデルのトレーニングを目的としている。従来の研究は、CD-FSSに対処する際の特徴変換の有効性を証明してきた。本稿では、この問題を解決するために、DMTNet(Doubly Matching Transformation-based Network)を提案する。
論文参考訳（メタデータ） (2024-05-24T06:47:43Z)
Support-Query Prototype Fusion Network for Few-shot Medical Image Segmentation [7.6695642174485705]
少量のラベル付きデータを用いて、見知らぬクラスに一般化する写真学習は、重要な研究領域として現れている。本稿では,SQPFNet(Support-Query Prototype Fusion Network)を提案する。 SABSとCMRの2つの公開データセットの評価結果は、SQPFNetが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2024-05-13T07:31:16Z)
MatchSeg: Towards Better Segmentation via Reference Image Matching [5.55078598520531]
ほとんどショットラーニングは、サポートセットとして知られる小さなラベル付きデータセットを使用して、新しいラベル付きイメージの予測ラベルをガイドすることで、注釈付きデータの必要性を克服することを目的としている。このパラダイムに着想を得たMatchSegは,戦略的基準画像マッチングによる医用画像のセグメンテーションを強化する新しいフレームワークである。
論文参考訳（メタデータ） (2024-03-23T18:04:58Z)
Multi-grained Temporal Prototype Learning for Few-shot Video Object Segmentation [156.4142424784322]
FSVOS(Few-Shot Video Object)は、いくつかのアノテーション付きサポートイメージで定義されるのと同じカテゴリで、クエリビデオ内のオブジェクトをセグメントすることを目的としている。本稿では,ビデオデータの時間的相関性を扱うために,多粒度時間的ガイダンス情報を活用することを提案する。提案するビデオIPMTモデルは,2つのベンチマークデータセットにおいて,従来のモデルよりも大幅に優れていた。
論文参考訳（メタデータ） (2023-09-20T09:16:34Z)
Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
論文参考訳（メタデータ） (2023-03-24T09:10:14Z)
Intermediate Prototype Mining Transformer for Few-Shot Semantic Segmentation [119.51445225693382]
Few-shotのセマンティックセマンティックセマンティクスは、いくつかのアノテーション付きサポートイメージの条件下で、ターゲットオブジェクトをクエリにセグメントすることを目的としている。そこで本研究では,提案クエリから決定論的カテゴリ情報と適応的カテゴリ知識の両方をマイニングする中間プロトタイプを提案する。各IPMT層では,サポート機能とクエリ機能の両方のオブジェクト情報をプロトタイプに伝達し,それを使ってクエリ機能マップを活性化する。
論文参考訳（メタデータ） (2022-10-13T06:45:07Z)
Few-shot Segmentation with Optimal Transport Matching and Message Flow [50.9853556696858]
サポート情報を完全に活用するためには、少数ショットのセマンティックセマンティックセグメンテーションが不可欠である。本稿では,最適輸送マッチングモジュールを備えた通信マッチングネットワーク(CMNet)を提案する。 PASCAL VOC 2012、MS COCO、FSS-1000データセットによる実験により、我々のネットワークは最新の数ショットセグメンテーション性能を新たに達成した。
論文参考訳（メタデータ） (2021-08-19T06:26:11Z)
Few-Shot Segmentation via Cycle-Consistent Transformer [74.49307213431952]
本稿では,サポートとターゲット画像間の画素ワイドな関係を利用して,数ショットのセマンティックセマンティックセグメンテーション作業を容易にすることに焦点を当てる。本稿では, 有害なサポート機能を除去するために, 新規なサイクル一貫性アテンション機構を提案する。提案したCyCTRは,従来の最先端手法と比較して著しく改善されている。
論文参考訳（メタデータ） (2021-06-04T07:57:48Z)
BriNet: Towards Bridging the Intra-class and Inter-class Gaps in One-Shot Segmentation [84.2925550033094]
ほとんどショットのセグメンテーションは、限られたトレーニングサンプルで見えないオブジェクトインスタンスをセグメンテーションするためのモデルの一般化に焦点を当てている。本稿では,クエリの抽出した特徴とサポートイメージのギャップを埋めるフレームワーク BriNet を提案する。本フレームワークの有効性は,他の競合手法よりも優れる実験結果によって実証された。
論文参考訳（メタデータ） (2020-08-14T07:45:50Z)
CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。