論文の概要: MS-UNet-v2: Adaptive Denoising Method and Training Strategy for Medical
Image Segmentation with Small Training Data
- arxiv url: http://arxiv.org/abs/2309.03686v1
- Date: Thu, 7 Sep 2023 13:00:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 12:56:40.533618
- Title: MS-UNet-v2: Adaptive Denoising Method and Training Strategy for Medical
Image Segmentation with Small Training Data
- Title(参考訳): MS-UNet-v2:小さなトレーニングデータを用いた医用画像分割のための適応型Denoising法とトレーニング戦略
- Authors: Haoyuan Chen, Yufei Han, Pin Xu, Yanyi Li, Kuan Li, Jianping Yin
- Abstract要約: 本研究では,医用画像分割作業のための新しいU-NetモデルMS-UNetを提案する。
提案したマルチスケールネストデコーダ構造により,デコーダとエンコーダの機能マッピングをセマンティックに近づけることができる。
さらに,MS-UNetのセグメンテーション性能を効果的に向上するだけでなく,他のモデルにも個別に適用できる新しいエッジロスとプラグアンドプレイ細調整モジュールを提案する。
- 参考スコア(独自算出の注目度): 17.228264498986295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Models based on U-like structures have improved the performance of medical
image segmentation. However, the single-layer decoder structure of U-Net is too
"thin" to exploit enough information, resulting in large semantic differences
between the encoder and decoder parts. Things get worse if the number of
training sets of data is not sufficiently large, which is common in medical
image processing tasks where annotated data are more difficult to obtain than
other tasks. Based on this observation, we propose a novel U-Net model named
MS-UNet for the medical image segmentation task in this study. Instead of the
single-layer U-Net decoder structure used in Swin-UNet and TransUnet, we
specifically design a multi-scale nested decoder based on the Swin Transformer
for U-Net. The proposed multi-scale nested decoder structure allows the feature
mapping between the decoder and encoder to be semantically closer, thus
enabling the network to learn more detailed features. In addition, we propose a
novel edge loss and a plug-and-play fine-tuning Denoising module, which not
only effectively improves the segmentation performance of MS-UNet, but could
also be applied to other models individually. Experimental results show that
MS-UNet could effectively improve the network performance with more efficient
feature learning capability and exhibit more advanced performance, especially
in the extreme case with a small amount of training data, and the proposed Edge
loss and Denoising module could significantly enhance the segmentation
performance of MS-UNet.
- Abstract(参考訳): U-like構造に基づくモデルにより,医用画像分割の性能が向上した。
しかし、U-Netの単一層デコーダ構造は、十分な情報を利用するには「薄すぎる」ため、エンコーダとデコーダ部分のセマンティックな違いが大きい。
注釈付きデータの取得が他のタスクよりも難しい医療画像処理タスクでは、トレーニングセットの数が十分に大きくない場合、事態は悪化する。
そこで本研究では,医用画像分割作業のための新しいU-NetモデルMS-UNetを提案する。
Swin-UNet と TransUnet で使用されるシングルレイヤのU-Netデコーダ構造の代わりに,U-Net 用の Swin Transformer に基づくマルチスケールネスト型デコーダを設計する。
提案したマルチスケールのネスト型デコーダ構造により,デコーダとエンコーダの機能マッピングがセマンティックに近づき,ネットワークはより詳細な機能を学ぶことができる。
さらに,MS-UNetのセグメンテーション性能を効果的に向上するだけでなく,他のモデルにも個別に適用できる新しいエッジロスとプラグアンドプレイ細調整モジュールを提案する。
実験結果から,MS-UNetはより効率的な特徴学習能力でネットワーク性能を効果的に向上し,特に訓練データが少ない極端な場合において,より高度な性能を示すことが示され,提案したエッジロス・デノナイジングモジュールは,MS-UNetのセグメンテーション性能を大幅に向上させることができた。
関連論文リスト
- EFCNet: Every Feature Counts for Small Medical Object Segmentation [44.26196156775273]
本報告では, 臨床的意義の大きい, 非常に小さな医療対象のセグメンテーションについて検討する。
CNN、UNetのようなモデル、そして最近のトランスフォーマーは、画像セグメンテーションの大幅な進歩を示している。
医用画像における小物体分割のためのEFCNetという新しいモデルを提案する。
論文 参考訳(メタデータ) (2024-06-26T09:33:51Z) - Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。
MFMSAブロックは空間的特徴抽出の過程を洗練させる。
E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
論文 参考訳(メタデータ) (2024-05-10T07:34:36Z) - Deep Instruction Tuning for Segment Anything Model [68.7934961590075]
Segment Anything Model (SAM) はマルチメディアとコンピュータビジョンの分野で研究ホットスポットとなっている。
SAMは、異なるタイプのセグメンテーションプロンプトをサポートすることができるが、テキストで指示されたタスクでは、はるかに悪化する。
SAMのための2つの簡易かつ効果的なディープ・インストラクション・チューニング(DIT)手法を提案し,その1つはエンドツーエンドであり、もう1つはレイヤワイズである。
論文 参考訳(メタデータ) (2024-03-31T11:37:43Z) - Narrowing the semantic gaps in U-Net with learnable skip connections:
The case of medical image segmentation [12.812992773512871]
U-Netにおける3つのセグメンテーションギャップを解決するためにUDTransNetという新しいセグメンテーションフレームワークを提案する。
具体的には、チャネル関係と空間関係を捕捉するデュアルアテンショントランスフォーマー(DAT)モジュールと、DATトークンとデコーダ機能を効果的に接続するデコーダ誘導リカバリアアテンション(DRA)モジュールを提案する。
我々のUDTransNetは、異なる公開データセット上の最先端セグメンテーション手法よりも比較的少ないパラメータで、より高い評価スコアとより細かいセグメンテーション結果を生成する。
論文 参考訳(メタデータ) (2023-12-23T07:39:42Z) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳(メタデータ) (2023-11-17T06:36:43Z) - Using DUCK-Net for Polyp Image Segmentation [0.0]
DUCK-Netは、少量の医療画像から効果的に学習し、一般化し、正確なセグメンテーションタスクを実行することができる。
大腸内視鏡画像におけるポリープセグメンテーションに特有な機能を示す。
論文 参考訳(メタデータ) (2023-11-03T20:58:44Z) - 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) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-13T13:03:09Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳(メタデータ) (2020-11-20T04:56:39Z) - KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image
and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。
本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。
提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文 参考訳(メタデータ) (2020-10-04T19:23:33Z) - Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic
Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。
そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。
アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文 参考訳(メタデータ) (2020-07-19T18:44:34Z)
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。