論文の概要: Squeeze Excitation Embedded Attention UNet for Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2305.07850v1
• Date: Sat, 13 May 2023 06:46:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 19:18:06.733085
• Title: Squeeze Excitation Embedded Attention UNet for Brain Tumor Segmentation
• Title（参考訳）: スクイーズ励起埋め込み注意用unetによる脳腫瘍の分節
• Authors: Gaurav Prasanna, John Rohit Ernest, Lalitha G and Sathiya Narayanan
• Abstract要約: Squeeze Excitation Embedded Attention UNet (SEEA-UNet) と呼ばれる新しいアーキテクチャを提案する。 このアーキテクチャには、より良い結果と予測のための注意深いUNetとSqueeze Excitation Networkがある。 双対焦点損失とジャカード係数はモデルの性能を監視するのに使われた。
• 参考スコア（独自算出の注目度）: 0.6117371161379208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep Learning based techniques have gained significance over the past few years in the field of medicine. They are used in various applications such as classifying medical images, segmentation and identification. The existing architectures such as UNet, Attention UNet and Attention Residual UNet are already currently existing methods for the same application of brain tumor segmentation, but none of them address the issue of how to extract the features in channel level. In this paper, we propose a new architecture called Squeeze Excitation Embedded Attention UNet (SEEA-UNet), this architecture has both Attention UNet and Squeeze Excitation Network for better results and predictions, this is used mainly because to get information at both Spatial and channel levels. The proposed model was compared with the existing architectures based on the comparison it was found out that for lesser number of epochs trained, the proposed model performed better. Binary focal loss and Jaccard Coefficient were used to monitor the model's performance.
• Abstract（参考訳）: 深層学習に基づく技術は、ここ数年医学の分野で重要性を増してきた。 医学画像の分類、分類、識別など様々な用途で使用されている。 unetやアテンションunet、アテンション残差unetといった既存のアーキテクチャは、すでに脳腫瘍のセグメンテーションと同じ応用法として存在しているが、チャンネルレベルの特徴の抽出方法については、いずれも対処されていない。 本稿では,Squeeze Excitation Embedded Attention UNet (SEEA-UNet) と呼ばれる新しいアーキテクチャを提案する。 提案モデルと既存アーキテクチャとの比較を行った結果,学習回数が少なくなるほど,提案モデルの性能が向上した。 双対焦点損失とジャカード係数はモデルの性能を監視するために用いられた。

関連論文リスト

• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• A Stronger Baseline For Automatic Pfirrmann Grading Of Lumbar Spine MRI Using Deep Learning [2.724641898087941]
  本稿では,Deep Learning を用いた腰椎MRIにおける視機能評価の課題について述べる。 セマンティックセグメンテーション, ローカライゼーション, 分類を含む, 十分に調整された3段階パイプラインでは, 畳み込みネットワークは最先端のアプローチよりも優れていると論じる。 私たちのコードは、椎間板変性と腰痛の研究を進めるために公開されています。
  論文  参考訳（メタデータ） (2022-10-26T10:12:21Z)
• Joint localization and classification of breast tumors on ultrasound images using a novel auxiliary attention-based framework [7.6620616780444974]
  本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。 提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
  論文  参考訳（メタデータ） (2022-10-11T20:14:13Z)
• SATS: Self-Attention Transfer for Continual Semantic Segmentation [50.51525791240729]
  連続的なセマンティックセグメンテーションは、連続的な分類学習と同じ破滅的な忘れの問題に悩まされる。 本研究では,各画像内の要素間の関係について,知識に関連する新しいタイプの情報伝達を提案する。 関係情報は、トランスフォーマースタイルのセグメンテーションモデルにおける自己アテンションマップから有効に得ることができる。
  論文  参考訳（メタデータ） (2022-03-15T06:09:28Z)
• Two layer Ensemble of Deep Learning Models for Medical Image Segmentation [0.2699900017799093]
  医用画像のセグメンテーションのための深層学習モデルの2層アンサンブルを提案する。 トレーニング画像の付加データとして、第1層の各モデルによって作成された各トレーニング画像画素の予測を用いる。 次に、各モデルが結合結果に異なる貢献をする重みに基づくスキームを用いて、第2層の予測を組み合わせる。
  論文  参考訳（メタデータ） (2021-04-10T16:52:34Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• 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)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Deep Learning Based Segmentation of Various Brain Lesions for Radiosurgery [0.8431877864777444]
  臨床定位放射線治療データセットに最先端のディープラーニングセグメンテーションアルゴリズムをベンチマークした。 特に, サンプリング手法, モデルアーキテクチャ, 損失関数の選択について, モデル性能を比較した。
  論文  参考訳（メタデータ） (2020-07-22T09:35:04Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。