論文の概要: Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images
- arxiv url: http://arxiv.org/abs/2305.19063v1
- Date: Tue, 30 May 2023 14:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 15:53:07.012686
- Title: Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images
- Title（参考訳）: 医療画像からの病変分割のためのdual affinity learningを用いたスケールアウェア・スーパーレゾリューションネットワーク
- Authors: Yanwen Li, Luyang Luo, Huangjing Lin, Pheng-Ann Heng, Hao Chen
- Abstract要約: 低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
- 参考スコア（独自算出の注目度）: 50.76668288066681
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional Neural Networks (CNNs) have shown remarkable progress in
medical image segmentation. However, lesion segmentation remains a challenge to
state-of-the-art CNN-based algorithms due to the variance in scales and shapes.
On the one hand, tiny lesions are hard to be delineated precisely from the
medical images which are often of low resolutions. On the other hand,
segmenting large-size lesions requires large receptive fields, which
exacerbates the first challenge. In this paper, we present a scale-aware
super-resolution network to adaptively segment lesions of various sizes from
the low-resolution medical images. Our proposed network contains dual branches
to simultaneously conduct lesion mask super-resolution and lesion image
super-resolution. The image super-resolution branch will provide more detailed
features for the segmentation branch, i.e., the mask super-resolution branch,
for fine-grained segmentation. Meanwhile, we introduce scale-aware dilated
convolution blocks into the multi-task decoders to adaptively adjust the
receptive fields of the convolutional kernels according to the lesion sizes. To
guide the segmentation branch to learn from richer high-resolution features, we
propose a feature affinity module and a scale affinity module to enhance the
multi-task learning of the dual branches. On multiple challenging lesion
segmentation datasets, our proposed network achieved consistent improvements
compared to other state-of-the-art methods.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は医用画像のセグメンテーションにおいて顕著な進歩を見せている。
しかし, 病変分割は, スケールや形状のばらつきにより, 最先端のcnnベースのアルゴリズムにとって課題となっている。
一方、小さな病変は、しばしば低い解像度の医用画像から正確に脱線することが困難である。
一方,大病変の分節化には大きな受容野が必要であり,最初の課題がさらに悪化する。
本稿では,低解像度医用画像から様々な大きさの病変を適応的に区分する,スケールアウェア・スーパーレゾリューションネットワークを提案する。
提案するネットワークは,病変マスクのスーパーレゾリューションと病変画像のスーパーレゾリューションを同時に行う2つのブランチを含む。
イメージスーパーレゾリューションブランチは、細粒度のセグメンテーションのために、セグメンテーションブランチ、すなわちマスクスーパーレゾリューションブランチに対してより詳細な機能を提供する。
一方,マルチタスクデコーダにスケールアウェア拡張畳み込みブロックを導入し,病変の大きさに応じて畳み込みカーネルの受容野を適応的に調整する。
セグメンテーションブランチを,よりリッチな高分解能機能から学ぶためのガイドとして,機能アフィニティモジュールと,デュアルブランチのマルチタスク学習を強化するスケールアフィニティモジュールを提案する。
複数の挑戦的病変分割データセットにおいて,提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
関連論文リスト
- TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。
医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。
我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
論文 参考訳（メタデータ） (2024-10-01T18:22:34Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For
Medical Imaging Segmentation [1.3812010983144802]
方程式の線形系をCNNに解くための幾何学的多重グリッド法の原理を取り入れた2つのアーキテクチャを提案する。
腫瘍サブコンポーネントセグメンテーションの精度とトレーニング効率に関して,-Net と W-Net はともに,広く使用されているU-Net アーキテクチャよりも優れていることを示す。
これらの知見は, 医用画像分割の精度と効率を向上させるために, マルチグリッド法をCNNに導入する可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-04-05T20:03:08Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z)
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。