論文の概要: TransCC: Transformer Network for Coronary Artery CCTA Segmentation
- arxiv url: http://arxiv.org/abs/2310.04779v1
- Date: Sat, 7 Oct 2023 11:37:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 15:49:06.911676
- Title: TransCC: Transformer Network for Coronary Artery CCTA Segmentation
- Title(参考訳): transcc:冠状動脈ccta分割のためのトランスフォーマーネットワーク
- Authors: Chenchu Xu, Meng Li, Xue Wu
- Abstract要約: CCTAセグメンテーションのためのトランスフォーマーと畳み込みニューラルネットワークを効果的に融合するディープラーニングフレームワークであるTransCCを提案する。
その結果,TransCCはセグメント化性能において既存の手法よりも優れており,平均Dice係数は0.730,平均IoUは0.582であることがわかった。
- 参考スコア(独自算出の注目度): 4.048194443100838
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The accurate segmentation of Coronary Computed Tomography Angiography (CCTA)
images holds substantial clinical value for the early detection and treatment
of Coronary Heart Disease (CHD). The Transformer, utilizing a self-attention
mechanism, has demonstrated commendable performance in the realm of medical
image processing. However, challenges persist in coronary segmentation tasks
due to (1) the damage to target local structures caused by fixed-size image
patch embedding, and (2) the critical role of both global and local features in
medical image segmentation tasks.To address these challenges, we propose a deep
learning framework, TransCC, that effectively amalgamates the Transformer and
convolutional neural networks for CCTA segmentation. Firstly, we introduce a
Feature Interaction Extraction (FIE) module designed to capture the
characteristics of image patches, thereby circumventing the loss of semantic
information inherent in the original method. Secondly, we devise a Multilayer
Enhanced Perceptron (MEP) to augment attention to local information within
spatial dimensions, serving as a complement to the self-attention mechanism.
Experimental results indicate that TransCC outperforms existing methods in
segmentation performance, boasting an average Dice coefficient of 0.730 and an
average Intersection over Union (IoU) of 0.582. These results underscore the
effectiveness of TransCC in CCTA image segmentation.
- Abstract(参考訳): 冠動脈ct angiography (ccta) 画像の正確な分割は, 冠動脈疾患の早期発見および治療における臨床的有用性を有している。
この変圧器は、セルフアテンション機構を利用して、医療画像処理の分野では可愛らしい性能を示している。
しかし,(1)固定サイズの画像パッチ埋め込みによる局所的構造物の損傷,(2)医療画像分割課題におけるグローバルおよび局所的特徴の双方の重要役割などにより,冠状セグメンテーションの課題は継続し,これらの課題に対処するために,cctaセグメンテーションのためのトランスフォーマと畳み込みニューラルネットワークを効果的に融合するディープラーニングフレームワークであるtransccを提案する。
まず、画像パッチの特徴を捉え、元の手法に固有の意味情報の喪失を回避するために、特徴間相互作用抽出(FIE)モジュールを導入する。
第2に, 多層強化パーセプトロン(mep)を考案し, 空間的次元内の局所情報に対する注意を増強し, 自着機構を補完する役割を担っている。
実験の結果,transccは,平均サイクリング係数0.730,平均結合交点(iou)0.582を誇示し,従来のセグメンテーション性能よりも優れていた。
これらの結果はccta画像分割におけるtransccの有効性を強調する。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーション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。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。
我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。
皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-08-31T21:28:46Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳(メタデータ) (2023-01-13T12:03:58Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Medical Image Segmentation using LeViT-UNet++: A Case Study on GI Tract
Data [0.0]
消化管癌は, 消化管内臓器の致命的な悪性疾患であると考えられている。
従来のセグメンテーション技術は手作りの特徴に依存しており、計算コストが高く非効率である。
画像から異なる臓器を分割するハイブリッドCNN変換器アーキテクチャを提案する。
提案された解は、それぞれ0.79と0.72のDiceとJaccard係数を持つ、堅牢で、スケーラブルで、計算的に効率的である。
論文 参考訳(メタデータ) (2022-09-15T17:57:15Z) - 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) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳(メタデータ) (2020-05-05T11:08:26Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳(メタデータ) (2020-02-06T13:49:47Z)
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。