論文の概要: Instructive Feature Enhancement for Dichotomous Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2306.03497v1
- Date: Tue, 6 Jun 2023 08:28:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 16:33:07.460987
- Title: Instructive Feature Enhancement for Dichotomous Medical Image
Segmentation
- Title(参考訳): Dichotomous Medical Image Segmentation の指導的特徴強調
- Authors: Lian Liu, Han Zhou, Jiongquan Chen, Sijing Liu, Wenlong Shi, Dong Ni,
Deng-Ping Fan, Xin Yang
- Abstract要約: ディープニューラルネットワークは、多くの解剖学的構造のジコトコス・メディカル・イメージ・セグメンテーション(DMIS)に広く応用されている。
既存のネットワークは、正確性を改善するためにタスク固有で重く複雑な設計に苦労する傾向がある。
IFE(Instructive feature enhancement approach)は,テクスチャの豊かな特徴チャネルを適応的に選択し,識別性を高める手法である。
- 参考スコア(独自算出の注目度): 25.09419016161069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have been widely applied in dichotomous medical image
segmentation (DMIS) of many anatomical structures in several modalities,
achieving promising performance. However, existing networks tend to struggle
with task-specific, heavy and complex designs to improve accuracy. They made
little instructions to which feature channels would be more beneficial for
segmentation, and that may be why the performance and universality of these
segmentation models are hindered. In this study, we propose an instructive
feature enhancement approach, namely IFE, to adaptively select feature channels
with rich texture cues and strong discriminability to enhance raw features
based on local curvature or global information entropy criteria. Being
plug-and-play and applicable for diverse DMIS tasks, IFE encourages the model
to focus on texture-rich features which are especially important for the
ambiguous and challenging boundary identification, simultaneously achieving
simplicity, universality, and certain interpretability. To evaluate the
proposed IFE, we constructed the first large-scale DMIS dataset Cosmos55k,
which contains 55,023 images from 7 modalities and 26 anatomical structures.
Extensive experiments show that IFE can improve the performance of classic
segmentation networks across different anatomies and modalities with only
slight modifications. Code is available at https://github.com/yezi-66/IFE
- Abstract(参考訳): 深層ニューラルネットワークは、様々な形態の解剖学的構造のdmis(dichotomous medical image segmentation)に広く応用され、有望な性能を達成している。
しかし、既存のネットワークは、正確性を改善するためにタスク固有の重い複雑な設計に苦しむ傾向がある。
彼らは、どの機能チャネルがセグメンテーションにとってより有益なものかをほとんど指示しなかったので、これらのセグメンテーションモデルの性能と普遍性が妨げられているのかもしれない。
本研究では,テクスチャの豊富な特徴チャネルを適応的に選択し,局所的な曲率やグローバル情報エントロピー基準に基づく特徴の識別性を高めるための指導的特徴拡張手法ifeを提案する。
IFEは、プラグ・アンド・プレイであり、多様なDMISタスクに適用できるため、曖昧で困難な境界識別において特に重要であり、シンプルさ、普遍性、そしてある種の解釈可能性を達成するために、テクスチャに富んだ機能に焦点を合わせることを奨励している。
提案したIFEを評価するために,7つのモダリティと26の解剖学的構造から55,023個の画像を含む,最初の大規模DMISデータセットCosmos55kを構築した。
大規模な実験により、IFEは様々な解剖学とモダリティにわたる古典的セグメンテーションネットワークの性能をわずかに修正するだけで改善できることが示された。
コードはhttps://github.com/yezi-66/IFEで入手できる。
関連論文リスト
- MGFI-Net: A Multi-Grained Feature Integration Network for Enhanced Medical Image Segmentation [0.3108011671896571]
医用画像のセグメンテーションにおける大きな課題は、ノイズ、低コントラスト、複雑な解剖学的構造の存在に対する関心領域の正確な記述を実現することである。
既存のセグメンテーションモデルは、多粒度情報の統合を無視し、エッジの詳細を保存できないことが多い。
我々は,Multi-Grained Feature Integration Network (MGFI-Net)と呼ばれる新しい画像セマンティックセマンティクスモデルを提案する。
私たちのMGFI-Netは、これらの問題に対処するための2つの専用のモジュールで設計されています。
論文 参考訳(メタデータ) (2025-02-19T15:24:34Z) - Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。
トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。
最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
論文 参考訳(メタデータ) (2024-12-20T17:33:35Z) - KA$^2$ER: Knowledge Adaptive Amalgamation of ExpeRts for Medical Images Segmentation [5.807887214293438]
本稿では,多元的基礎モデルを学習し,複数のエキスパートモデルの協調的な目標に対処することを目的としたアダプティブ・アマルガメーション・ナレッジ・フレームワークを提案する。
特に、まず、各タスクに対してnnUNetベースのエキスパートモデルをトレーニングし、トレーニング済みのSwinUNTERをターゲット基盤モデルとして再利用する。
隠蔽層内の階層的アテンション機構は、すべての専門家の隠蔽層の特徴知識にターゲットモデルの適応的なマージを実現するように設計されている。
論文 参考訳(メタデータ) (2024-10-28T14:49:17Z) - MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。
提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
論文 参考訳(メタデータ) (2024-10-20T16:42:22Z) - Boosting Medical Image Segmentation Performance with Adaptive Convolution Layer [6.887244952811574]
UCTransNetのような先進的なディープラーニングモデルに先立つ適応層を提案する。
我々のアプローチは、多様な解剖学的構造と微妙な画像の詳細を扱うネットワークの能力を高める。
従来のCNNよりも、同じ数のパラメータで固定されたカーネルサイズで一貫してパフォーマンスが向上している。
論文 参考訳(メタデータ) (2024-04-17T13:18:39Z) - Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。
我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。
AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文 参考訳(メタデータ) (2024-03-27T10:46:24Z) - 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) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-18T10:14:45Z) - 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) - 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)
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。