Fugu-MT 論文翻訳(概要): Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer

論文の概要: Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer

arxiv url: http://arxiv.org/abs/2309.04825v1
Date: Sat, 9 Sep 2023 15:39:38 GMT
ステータス: 処理完了
システム内更新日: 2023-09-12 16:10:34.930624
Title: Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer
Title（参考訳）: 領域エンハンス型原型変圧器による医療画像の分画
Authors: Yazhou Zhu, Shidong Wang, Tong Xin, Haofeng Zhang
Abstract要約: Region-enhanced Prototypeal Transformer (RPT) は、大規模なクラス内多様性/バイアスの影響を緩和するための、数発の学習に基づく手法である。 BaTブロックを積み重ねることで、提案したRTTは、生成した地域プロトタイプを反復的に最適化し、最終的に修正されたより正確なグローバルプロトタイプを生成することができる。
参考スコア（独自算出の注目度）: 20.115149216170327
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated segmentation of large volumes of medical images is often plagued by the limited availability of fully annotated data and the diversity of organ surface properties resulting from the use of different acquisition protocols for different patients. In this paper, we introduce a more promising few-shot learning-based method named Region-enhanced Prototypical Transformer (RPT) to mitigate the effects of large intra-class diversity/bias. First, a subdivision strategy is introduced to produce a collection of regional prototypes from the foreground of the support prototype. Second, a self-selection mechanism is proposed to incorporate into the Bias-alleviated Transformer (BaT) block to suppress or remove interferences present in the query prototype and regional support prototypes. By stacking BaT blocks, the proposed RPT can iteratively optimize the generated regional prototypes and finally produce rectified and more accurate global prototypes for Few-Shot Medical Image Segmentation (FSMS). Extensive experiments are conducted on three publicly available medical image datasets, and the obtained results show consistent improvements compared to state-of-the-art FSMS methods. The source code is available at: https://github.com/YazhouZhu19/RPT.
Abstract（参考訳）: 大量の医療画像の自動セグメンテーションは、完全に注釈付きデータの可用性の制限や、異なる患者に対する異なる取得プロトコルの使用による臓器表面特性の多様性によってしばしば悩まされる。本稿では,多種間多様性・バイアスの増大を緩和するための,より有望な学習ベース手法である領域強調型トランスフォーマ(rpt)を提案する。まず, 支援プロトタイプの前面から地域プロトタイプのコレクションを作成するために, 分割戦略を導入する。次に,Bias-alleviated Transformer(BaT)ブロックに自己選択機構を導入し,クエリプロトタイプおよび地域サポートプロトタイプに存在する干渉を抑制・除去する。 BaTブロックを積み重ねることで、提案したRTTは、生成された地域プロトタイプを反復的に最適化し、最終的にFew-Shot Medical Image Segmentation (FSMS)の修正されたより正確なグローバルプロトタイプを生成することができる。 3つの医療画像データセットについて広範な実験を行い,得られた結果から,最先端のfsms法と比較して一貫した改善が得られた。ソースコードはhttps://github.com/yazhouzhu19/rpt。

関連論文リスト

Mind the Gap Between Prototypes and Images in Cross-domain Finetuning [64.97317635355124]
プロトタイプと画像にそれぞれ異なる変換を適用するために,コントラスト型プロトタイプイメージ適応(CoPA)を提案する。 Meta-Datasetの実験では、CoPAが最先端のパフォーマンスをより効率的に達成できることが示されている。
論文参考訳（メタデータ） (2024-10-16T11:42:11Z)
Test-Time Generative Augmentation for Medical Image Segmentation [20.12850876150199]
本稿では,テスト期間中の医用画像のセグメンテーションを強化する新しい手法を提案する。入力テスト画像に手作り変換や関数を使う代わりに、先進的なドメインファインチューニング生成モデル(GM)の利用を提唱する。医用画像分割作業におけるTTGAの有効性と有用性を示す実験を行った。
論文参考訳（メタデータ） (2024-06-25T14:53:01Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
Plug-and-Play Feature Generation for Few-Shot Medical Image Classification [23.969183389866686]
限られた訓練データを用いた医用画像分類におけるモデル一般化と実用性の向上に大きな可能性を秘めている。 MedMFGは,限られたサンプルから十分なクラス識別機能を生成するために設計された,フレキシブルで軽量なプラグアンドプレイ方式である。
論文参考訳（メタデータ） (2023-10-14T02:36:14Z)
Partition-A-Medical-Image: Extracting Multiple Representative Sub-regions for Few-shot Medical Image Segmentation [23.926487942901872]
Few-shot Medical Image (FSMIS)は、医療画像セグメンテーションタスクのための、より有望なソリューションである。支援医療画像から複数のサブリージョンを抽出する手法を提案する。次に,2方向除去機構に基づく新しいPRD(Prototypeal Representation Debiasing)モジュールを提案する。
論文参考訳（メタデータ） (2023-09-20T09:31:57Z)
Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
HST-MRF: Heterogeneous Swin Transformer with Multi-Receptive Field for Medical Image Segmentation [5.51045524851432]
医用画像セグメンテーションのためのHST-MRFモデルを提案する。主な目的は、トランスを用いたパッチセグメンテーションによる構造情報の損失を解決することである。実験の結果,提案手法は最先端モデルよりも優れ,優れた性能が得られることがわかった。
論文参考訳（メタデータ） (2023-04-10T14:30:03Z)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)
SATr: Slice Attention with Transformer for Universal Lesion Detection [39.90420943500884]
コンピュータ断層撮影におけるユニバーサル病変検出(ULD)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。コンボリューションベースのULDバックボーンに簡単に接続できる新しいSlice Attention Transformer (SATr) ブロックを提案する。 5つの最先端手法による実験により、提案したSATrブロックは、病変検出精度をほぼ自由に向上できることが示された。
論文参考訳（メタデータ） (2022-03-13T03:37:27Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。