論文の概要: SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2306.10773v1
• Date: Mon, 19 Jun 2023 08:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 18:38:37.341291
• Title: SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation
• Title（参考訳）: SegT: ポリープセグメンテーションのための分離エッジ誘導変圧器ネットワーク
• Authors: Feiyu Chen, Haiping Ma and Weijia Zhang
• Abstract要約: 本稿では, 効率的なポリープ分割モデルを構築することを目的とした, エッジ誘導変換器 (SegT) ネットワークを提案する。 既存のCNNベースのアプローチよりも堅牢な表現を学習するトランスフォーマーエンコーダが特に適用された。 SegTの有効性を評価するために、5つの挑戦的な公開データセットを用いて実験を行った。
• 参考スコア（独自算出の注目度）: 10.144870911523622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of colonoscopic polyps is considered a fundamental step in medical image analysis and surgical interventions. Many recent studies have made improvements based on the encoder-decoder framework, which can effectively segment diverse polyps. Such improvements mainly aim to enhance local features by using global features and applying attention methods. However, relying only on the global information of the final encoder block can result in losing local regional features in the intermediate layer. In addition, determining the edges between benign regions and polyps could be a challenging task. To address the aforementioned issues, we propose a novel separated edge-guidance transformer (SegT) network that aims to build an effective polyp segmentation model. A transformer encoder that learns a more robust representation than existing CNN-based approaches was specifically applied. To determine the precise segmentation of polyps, we utilize a separated edge-guidance module consisting of separator and edge-guidance blocks. The separator block is a two-stream operator to highlight edges between the background and foreground, whereas the edge-guidance block lies behind both streams to strengthen the understanding of the edge. Lastly, an innovative cascade fusion module was used and fused the refined multi-level features. To evaluate the effectiveness of SegT, we conducted experiments with five challenging public datasets, and the proposed model achieved state-of-the-art performance.
• Abstract（参考訳）: 大腸内視鏡的ポリープの正確な分割は, 画像解析と外科的介入において重要なステップであると考えられる。 近年、様々なポリプを効果的にセグメント化できるエンコーダ・デコーダフレームワークに基づいた多くの研究が進められている。 このような改善は、主にグローバル機能を使用し、注意手法を適用することで、ローカル機能を強化することを目的としている。 しかし、最終的なエンコーダブロックのグローバル情報のみに依存すると、中間層の局所的な特徴を失う可能性がある。 加えて、良性領域とポリプの間の縁を決定することは難しい課題である。 そこで本稿では,ポリプセグメンテーションモデルの構築を目的とした,新たな分離エッジガイドトランス(segt)ネットワークを提案する。 既存のcnnベースのアプローチよりもロバストな表現を学ぶトランスフォーマエンコーダが特に適用された。 ポリプの正確なセグメンテーションを決定するために,セパレータとエッジ誘導ブロックからなる分離エッジ誘導モジュールを利用する。 セパレータブロックは背景と前景の間のエッジをハイライトする2つのストリームオペレータであり、一方、エッジガイドブロックは両ストリームの背後にあり、エッジの理解を強化する。 最後に、革新的なカスケード融合モジュールが使われ、洗練されたマルチレベル機能を融合した。 SegTの有効性を評価するため、5つの挑戦的な公開データセットを用いて実験を行った。

関連論文リスト

• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• EPPS: Advanced Polyp Segmentation via Edge Information Injection and Selective Feature Decoupling [5.453850739960517]
  We propose a novel model named Edge-Prioritized Polyp (EPPS)。 具体的には,ポリプのエッジを正確に抽出することを目的としたエッジマッピングエンジン(EME)を組み込んだ。 また,Selective Feature Decoupler (SFD) と呼ばれるコンポーネントを導入し,モデルに対するノイズや外的特徴の影響を抑える。
  論文  参考訳（メタデータ） (2024-05-20T07:41:04Z)
• Multi-Layer Dense Attention Decoder for Polyp Segmentation [10.141956829529859]
  局所的に強化された多層密集度特徴を階層的に集約することを目的とした,新しいデコーダアーキテクチャを提案する。 具体的には、Dense Attention Gate (DAG) と呼ばれる新しいモジュールを紹介します。 実験と9つの競合セグメンテーションモデルとの比較により,提案アーキテクチャが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-03-27T01:15:05Z)
• Edge-aware Feature Aggregation Network for Polyp Segmentation [40.3881565207086]
  本研究では,ポリプセグメンテーションのためのエッジ対応特徴集約ネットワーク(EFA-Net)を提案する。 EFA-Netは、ポリプセグメンテーションの性能を高めるために、クロスレベルとマルチスケールの機能を完全に活用することができる。 広く採用されている5つの大腸内視鏡データセットの実験結果から,我々のEFA-Netは,一般化と有効性の観点から,最先端のポリプセグメンテーション法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-19T11:09:38Z)
• MEGANet: Multi-Scale Edge-Guided Attention Network for Weak Boundary Polyp Segmentation [11.190960453535542]
  医療における効率的なポリープセグメンテーションは、早期に大腸癌を診断する上で重要な役割を担っている。 大腸内視鏡画像中のポリプセグメンテーションに適したマルチスケールエッジガイド注意ネットワーク(MEGANet)を提案する。 MEGANetはエンドツーエンドのフレームワークとして設計されており、エンコーダ、デコーダ、エッジガイドアテンションモジュール(EGA)という3つの主要なモジュールを含んでいる。
  論文  参考訳（メタデータ） (2023-09-06T19:19:12Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
  本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。 LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。 GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
  論文  参考訳（メタデータ） (2023-01-12T04:06:44Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。