Fugu-MT 論文翻訳(概要): NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation

論文の概要: NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2305.15911v1
Date: Thu, 25 May 2023 10:18:57 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 15:57:22.867356
Title: NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation
Title（参考訳）: NexToU: 医用画像セグメンテーションのための効率的なトポロジ対応U-Net
Authors: Pengcheng Shi, Xutao Guo, Yanwu Yang, Chenfei Ye and Ting Ma
Abstract要約: CNNとTransformerの派生型は、主要な医療画像セグメンテーションバックボーンとして登場した。医用画像分割のための新しいハイブリッドアーキテクチャであるNexToUを提案する。我々の手法は、他の最先端(SOTA)アーキテクチャよりも一貫して優れています。
参考スコア（独自算出の注目度）: 3.8336080345323227
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional neural networks (CNN) and Transformer variants have emerged as the leading medical image segmentation backbones. Nonetheless, due to their limitations in either preserving global image context or efficiently processing irregular shapes in visual objects, these backbones struggle to effectively integrate information from diverse anatomical regions and reduce inter-individual variability, particularly for the vasculature. Motivated by the successful breakthroughs of graph neural networks (GNN) in capturing topological properties and non-Euclidean relationships across various fields, we propose NexToU, a novel hybrid architecture for medical image segmentation. NexToU comprises improved Pool GNN and Swin GNN modules from Vision GNN (ViG) for learning both global and local topological representations while minimizing computational costs. To address the containment and exclusion relationships among various anatomical structures, we reformulate the topological interaction (TI) module based on the nature of binary trees, rapidly encoding the topological constraints into NexToU. Extensive experiments conducted on three datasets (including distinct imaging dimensions, disease types, and imaging modalities) demonstrate that our method consistently outperforms other state-of-the-art (SOTA) architectures. All the code is publicly available at https://github.com/PengchengShi1220/NexToU.
Abstract（参考訳）: convolutional neural networks (cnn)とtransformer variantsは、主要な医療画像セグメンテーションバックボーンとして登場した。それにもかかわらず、グローバルな画像のコンテキストを保存するか、視覚的物体の異常な形状を効率的に処理することの制限により、これらのバックボーンは様々な解剖学的領域からの情報を効果的に統合し、特に血管の個体間変動を低減するのに苦労する。グラフニューラルネットワーク(GNN)の様々な分野におけるトポロジカルな特性と非ユークリッド関係の獲得に成功し,医療画像セグメンテーションのための新しいハイブリッドアーキテクチャであるNexToUを提案する。 NexToUは、Vision GNN(ViG)から改良されたPool GNNとSwin GNNモジュールで構成され、グローバルとローカルの両方のトポロジ表現を学習し、計算コストを最小化している。解剖学的構造間の包摂的・排除的関係に対処するため,二分木の性質に基づいてトポロジカル相互作用(TI)モジュールを再構成し,トポロジカル制約をNexToUに迅速にエンコードする。 3つのデータセット(画像次元、疾患タイプ、画像モダリティを含む)で実施された大規模な実験は、我々の手法が他の最先端(SOTA)アーキテクチャを一貫して上回ることを示した。すべてのコードはhttps://github.com/PengchengShi1220/NexToUで公開されている。

関連論文リスト

TBConvL-Net: A Hybrid Deep Learning Architecture for Robust Medical Image Segmentation [6.013821375459473]
医用画像セグメンテーションのための新しいディープラーニングアーキテクチャを提案する。提案モデルでは,10の公開データセット上でのテクニックの現状に対して,一貫した改善が示されている。
論文参考訳（メタデータ） (2024-09-05T09:14:03Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Robust Tumor Segmentation with Hyperspectral Imaging and Graph Neural Networks [31.87960207119459]
より堅牢でスムーズなセグメンテーションのために,タイルの空間的文脈を利用した改良手法を提案する。タイルの不規則な形状に対処するため,グラフニューラルネットワーク(GNN)を用いて周辺地域のコンテキスト情報を伝播する。以上の結果から, 文脈認識型GNNアルゴリズムは, HSI画像上の腫瘍の区切りを頑健に検出できることが示唆された。
論文参考訳（メタデータ） (2023-11-20T14:07:38Z)
Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文参考訳（メタデータ） (2023-07-24T13:39:21Z)
Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文参考訳（メタデータ） (2022-07-06T10:01:46Z)
How GNNs Facilitate CNNs in Mining Geometric Information from Large-Scale Medical Images [2.2699159408903484]
畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
論文参考訳（メタデータ） (2022-06-15T15:27:48Z)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Improving anatomical plausibility in medical image segmentation via hybrid graph neural networks: applications to chest x-ray analysis [3.3382651833270587]
我々は、画像特徴符号化とグラフ畳み込みニューラルネットワーク(GCNN)の標準畳み込みを利用して、解剖学的構造の可塑性表現を復号するエンコーダデコーダニューラルアーキテクチャであるHybridGNetを紹介する。新たなイメージ・ツー・グラフ・スキップ接続層により、標準的な畳み込みブロックからGCNNブロックへローカライズされた機能が流れ、セグメンテーションの精度が向上することを示す。
論文参考訳（メタデータ） (2022-03-21T13:37:23Z)
PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文参考訳（メタデータ） (2021-08-09T04:58:23Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。