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
- 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) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳(メタデータ) (2024-04-01T17:48:15Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image
Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-01T10:49:09Z) - 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) - (M)SLAe-Net: Multi-Scale Multi-Level Attention embedded Network for
Retinal Vessel Segmentation [0.0]
マルチステージ処理の課題に対処するため,マルチスケールでマルチレベルなCNNアーキテクチャ((M)SLAe-Net)を提案する。
我々は、複数のスケールとネットワークの複数のレベルの特徴を抽出することで、我々のモデルが局所的およびグローバル的特徴を全体的に抽出することを可能にする。
D-DPPモジュールは細管に効率よくタスク特異的な損失機能を持たせることで,クロスデータ性能の向上を実現した。
論文 参考訳(メタデータ) (2021-09-05T14:29:00Z) - Contextual Information Enhanced Convolutional Neural Networks for
Retinal Vessel Segmentation in Color Fundus Images [0.0]
自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。
ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。
その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
論文 参考訳(メタデータ) (2021-03-25T06:10:47Z) - 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) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - Max-Fusion U-Net for Multi-Modal Pathology Segmentation with Attention
and Dynamic Resampling [13.542898009730804]
関連するアルゴリズムの性能は、マルチモーダル情報の適切な融合によって大きく影響を受ける。
We present the Max-Fusion U-Net that achieve a improve pathology segmentation performance。
マルチシーケンスCMRデータセットを併用したMyoPS(Myocardial pathology segmentation)を用いて,本手法の評価を行った。
論文 参考訳(メタデータ) (2020-09-05T17:24:23Z) - 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。