Fugu-MT 論文翻訳(概要): BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound Image Segmentation Tasks

論文の概要: BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound Image Segmentation Tasks

arxiv url: http://arxiv.org/abs/2310.00919v1
Date: Mon, 2 Oct 2023 06:15:50 GMT
ステータス: 処理完了
システム内更新日: 2023-10-04 23:24:54.921120
Title: BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound Image Segmentation Tasks
Title（参考訳）: baaf: 医用超音波画像分割タスクのためのベンチマーク注意適応フレームワーク
Authors: Gongping Chen, Lei Zhao, Xiaotao Yin, Liang Cui, Jianxun Zhang, Yu Dai
Abstract要約: 超音波画像中の病変や組織を分類または診断するためのベンチマーク注意適応フレームワーク(BAAF)を提案する。 BAAFは並列ハイブリッドアテンションモジュール(PHAM)と適応キャリブレーション機構(ACM)から構成される。 BAAFの設計は、CNNにおける「何」と「どこに」の焦点と選択の問題をさらに最適化し、医療用超音波画像における病変や組織のセグメンテーション精度を改善することを目指している。
参考スコア（独自算出の注目度）: 15.998631461609968
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The AI-based assisted diagnosis programs have been widely investigated on medical ultrasound images. Complex scenario of ultrasound image, in which the coupled interference of internal and external factors is severe, brings a unique challenge for localize the object region automatically and precisely in ultrasound images. In this study, we seek to propose a more general and robust Benchmark Attention Adaptive Framework (BAAF) to assist doctors segment or diagnose lesions and tissues in ultrasound images more quickly and accurately. Different from existing attention schemes, the BAAF consists of a parallel hybrid attention module (PHAM) and an adaptive calibration mechanism (ACM). Specifically, BAAF first coarsely calibrates the input features from the channel and spatial dimensions, and then adaptively selects more robust lesion or tissue characterizations from the coarse-calibrated feature maps. The design of BAAF further optimizes the "what" and "where" focus and selection problems in CNNs and seeks to improve the segmentation accuracy of lesions or tissues in medical ultrasound images. The method is evaluated on four medical ultrasound segmentation tasks, and the adequate experimental results demonstrate the remarkable performance improvement over existing state-of-the-art methods. In addition, the comparison with existing attention mechanisms also demonstrates the superiority of BAAF. This work provides the possibility for automated medical ultrasound assisted diagnosis and reduces reliance on human accuracy and precision.
Abstract（参考訳）: aiベースの診断プログラムは、医療用超音波画像で広く研究されている。超音波画像の複雑なシナリオは、内部要因と外部要因の相互干渉が重大であり、超音波画像において対象領域を自動的かつ正確にローカライズするユニークな課題をもたらす。本研究では,超音波画像中の病変や組織をより迅速かつ正確に診断するための,より汎用的でロバストなベンチマーク注意適応フレームワーク(baaf)を提案する。既存の注目方式とは異なり、BAAFは並列ハイブリッドアテンションモジュール(PHAM)と適応キャリブレーション機構(ACM)から構成されている。具体的には、BAAFはまずチャネルと空間次元から入力された特徴を粗く校正し、その後、粗い校正された特徴マップからより堅牢な病変や組織の特徴を適応的に選択する。 BAAFの設計は、CNNにおける"What"と"where"の焦点と選択の問題をさらに最適化し、医療用超音波画像における病変や組織のセグメンテーション精度の向上を目指している。本手法は,4つの医療用超音波セグメンテーションタスクにおいて評価され,既存の最先端手法よりも優れた性能を示す。また,既存の注意機構との比較もBAAFの優位性を示している。本研究は, 超音波自動診断の可能性を提供し, 精度と精度の信頼性を低下させる。

関連論文リスト

Generative Adversarial Networks in Ultrasound Imaging: Extending Field of View Beyond Conventional Limits [1.6588671405657123]
TTE超音波イメージングは、特に視野(FoV)と解像度のトレードオフなど、固有の限界に直面している。本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)の新たな応用について紹介する。提案したcGANアーキテクチャーはエコーGANと呼ばれ、アウトペイントにより現実的な解剖学的構造を生成する能力を示す。
論文参考訳（メタデータ） (2024-05-31T16:26:30Z)
SEGSRNet for Stereo-Endoscopic Image Super-Resolution and Surgical Instrument Segmentation [0.5461938536945723]
SEGSRNetは、低解像度の立体内視鏡画像において、手術器具を正確に識別する課題に対処する。我々の革新的なフレームワークは、セグメント化の前に最先端の超解像技術を適用することにより、画像の明瞭度とセグメンテーション精度を向上させる。
論文参考訳（メタデータ） (2024-04-20T09:27:05Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Ultrasound Image Enhancement using CycleGAN and Perceptual Loss [4.428854369140015]
本研究は超音波画像,特に携帯型ハンドヘルドデバイスで捉えた画像の高機能化を目的とした高度なフレームワークを導入する。我々は,5臓器系における超音波画像強調のために,CycleGANモデルを用いた。
論文参考訳（メタデータ） (2023-12-18T23:21:00Z)
Breast Ultrasound Report Generation using LangChain [58.07183284468881]
本稿では,Large Language Models (LLM) を用いたLangChainによる複数の画像解析ツールを胸部報告プロセスに統合することを提案する。本手法は,超音波画像から関連する特徴を正確に抽出し,臨床的文脈で解釈し,包括的で標準化された報告を生成する。
論文参考訳（メタデータ） (2023-12-05T00:28:26Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文参考訳（メタデータ） (2023-07-29T16:29:39Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文参考訳（メタデータ） (2022-03-12T15:24:03Z)
Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文参考訳（メタデータ） (2021-09-23T15:15:21Z)
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文参考訳（メタデータ） (2021-08-05T10:35:06Z)

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。