論文の概要: DA-TransUNet: Integrating Spatial and Channel Dual Attention with
Transformer U-Net for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.12570v2
- Date: Tue, 14 Nov 2023 11:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 18:00:11.433465
- Title: DA-TransUNet: Integrating Spatial and Channel Dual Attention with
Transformer U-Net for Medical Image Segmentation
- Title（参考訳）: DA-TransUNet:医療画像セグメンテーションのためのトランスフォーマーU-Netによる空間的・チャネル的デュアルアテンションの統合
- Authors: Guanqun Sun, Yizhi Pan, Weikun Kong, Zichang Xu, Jianhua Ma, Teeradaj
Racharak, Le-Minh Nguyen, Junyi Xin
- Abstract要約: 本研究では,DA-TransUNetと呼ばれる新しい深層画像分割フレームワークを提案する。
トランスフォーマーとデュアルアテンションブロック(DA-Block)を従来のU字型アーキテクチャに統合することを目的としている。
以前のトランスフォーマーベースのU-netモデルとは異なり、DA-TransUNetはトランスフォーマーとDA-Blockを使用してグローバルな特徴とローカルな特徴だけでなく、画像固有の位置とチャネルの特徴を統合する。
- 参考スコア（独自算出の注目度）: 5.5582646801199225
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate medical image segmentation is critical for disease quantification
and treatment evaluation. While traditional Unet architectures and their
transformer-integrated variants excel in automated segmentation tasks. However,
they lack the ability to harness the intrinsic position and channel features of
image. Existing models also struggle with parameter efficiency and
computational complexity, often due to the extensive use of Transformers. To
address these issues, this study proposes a novel deep medical image
segmentation framework, called DA-TransUNet, aiming to integrate the
Transformer and dual attention block(DA-Block) into the traditional U-shaped
architecture. Unlike earlier transformer-based U-net models, DA-TransUNet
utilizes Transformers and DA-Block to integrate not only global and local
features, but also image-specific positional and channel features, improving
the performance of medical image segmentation. By incorporating a DA-Block at
the embedding layer and within each skip connection layer, we substantially
enhance feature extraction capabilities and improve the efficiency of the
encoder-decoder structure. DA-TransUNet demonstrates superior performance in
medical image segmentation tasks, consistently outperforming state-of-the-art
techniques across multiple datasets. In summary, DA-TransUNet offers a
significant advancement in medical image segmentation, providing an effective
and powerful alternative to existing techniques. Our architecture stands out
for its ability to improve segmentation accuracy, thereby advancing the field
of automated medical image diagnostics. The codes and parameters of our model
will be publicly available at https://github.com/SUN-1024/DA-TransUnet.
- Abstract（参考訳）: 正確な医用画像分割は疾患の定量化と治療評価に不可欠である。
従来のUnetアーキテクチャとトランスフォーマー統合型は自動セグメンテーションタスクに優れている。
しかし、画像の内在的な位置とチャネルの特徴を利用する能力は欠如している。
既存のモデルは、しばしば変圧器の広範な使用のために、パラメータの効率性と計算の複雑さに苦労している。
そこで本研究では,従来のu字型アーキテクチャにトランスフォーマーとデュアルアテンションブロック(daブロック)を統合することを目的とした,新しい深層医用画像分割フレームワークda-transunetを提案する。
以前のトランスフォーマーベースのU-netモデルとは異なり、DA-TransUNetはトランスフォーマーとDA-Blockを使用して、グローバルな特徴とローカルな特徴だけでなく、画像固有の位置とチャネルの特徴を統合し、医療画像セグメンテーションの性能を向上させる。
DA-Blockを埋め込み層と各スキップ接続層に組み込むことで,特徴抽出能力を大幅に向上し,エンコーダ・デコーダ構造の効率を向上させる。
DA-TransUNetは、医療画像セグメンテーションタスクにおいて優れたパフォーマンスを示し、複数のデータセットにわたる最先端技術よりも一貫して優れています。
要約すると、DA-TransUNetは医療画像セグメンテーションの大幅な進歩をもたらし、既存の技術に代わる効果的で強力な代替手段を提供する。
われわれのアーキテクチャは、セグメンテーションの精度を向上し、自動化された医用画像診断の分野を推し進めている。
私たちのモデルのコードとパラメータはhttps://github.com/sun-1024/da-transunetで公開されます。
関連論文リスト
- TransUKAN:Computing-Efficient Hybrid KAN-Transformer for Enhanced Medical Image Segmentation [5.280523424712006]
U-Netは現在、医療画像セグメンテーションの最も広く使われているアーキテクチャである。
我々は、メモリ使用量と計算負荷を減らすためにkanを改善した。
このアプローチは、非線形関係をキャプチャするモデルの能力を高める。
論文 参考訳（メタデータ） (2024-09-23T02:52:49Z) - Rethinking Attention Gated with Hybrid Dual Pyramid Transformer-CNN for Generalized Segmentation in Medical Imaging [17.07490339960335]
本稿では,強力なCNN-Transformerエンコーダを効率的に構築するためのハイブリッドCNN-Transformerセグメンテーションアーキテクチャ(PAG-TransYnet)を提案する。
我々のアプローチは、デュアルピラミッドハイブリッドエンコーダ内のアテンションゲートを利用する。
論文 参考訳（メタデータ） (2024-04-28T14:37:10Z) - 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) - SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical
Image Segmentation [0.0]
医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。
提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。
UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
論文 参考訳（メタデータ） (2023-10-16T01:13:38Z) - Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。
Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。
提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
論文 参考訳（メタデータ） (2022-07-21T22:17:21Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - TransAttUnet: Multi-level Attention-guided U-Net with Transformer for
Medical Image Segmentation [33.45471457058221]
本稿では,TransAttUnetと呼ばれるトランスフォーマーベースの医用画像セマンティックセマンティック・セマンティック・フレームワークを提案する。
特に,デコーダブロック間の複数スケールのスキップ接続を確立することで,セマンティック・スケールのアップサンプリング機能を集約する。
我々の手法は一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2021-07-12T09:17:06Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳（メタデータ） (2021-02-21T18:35:14Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳（メタデータ） (2021-02-08T16:10:50Z)
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。