論文の概要: G-CASCADE: Efficient Cascaded Graph Convolutional Decoding for 2D
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.16175v1
- Date: Tue, 24 Oct 2023 20:41:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:08:39.599377
- Title: G-CASCADE: Efficient Cascaded Graph Convolutional Decoding for 2D
Medical Image Segmentation
- Title（参考訳）: G-CASCADE:2次元医用画像分割のための効率的なカスケードグラフ畳み込みデコーディング
- Authors: Md Mostafijur Rahman and Radu Marculescu
- Abstract要約: 我々は、新しいグラフ畳み込みに基づくデコーダ、すなわちカスケードグラフ畳み込みアテンションデコーダ(G-CASCADE)を提案する。
G-CASCADEは、効率的なグラフ畳み込みブロックを持つ階層変換器エンコーダによって生成される多段特徴写像を徐々に洗練する。
我々のデコーダは他の階層エンコーダと簡単に使用でき、汎用的セマンティックおよび医用画像セグメンテーションタスクに利用できる。
- 参考スコア（独自算出の注目度）: 8.550528610846456
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, medical image segmentation has become an important
application in the field of computer-aided diagnosis. In this paper, we are the
first to propose a new graph convolution-based decoder namely, Cascaded Graph
Convolutional Attention Decoder (G-CASCADE), for 2D medical image segmentation.
G-CASCADE progressively refines multi-stage feature maps generated by
hierarchical transformer encoders with an efficient graph convolution block.
The encoder utilizes the self-attention mechanism to capture long-range
dependencies, while the decoder refines the feature maps preserving long-range
information due to the global receptive fields of the graph convolution block.
Rigorous evaluations of our decoder with multiple transformer encoders on five
medical image segmentation tasks (i.e., Abdomen organs, Cardiac organs, Polyp
lesions, Skin lesions, and Retinal vessels) show that our model outperforms
other state-of-the-art (SOTA) methods. We also demonstrate that our decoder
achieves better DICE scores than the SOTA CASCADE decoder with 80.8% fewer
parameters and 82.3% fewer FLOPs. Our decoder can easily be used with other
hierarchical encoders for general-purpose semantic and medical image
segmentation tasks.
- Abstract（参考訳）: 近年,医療画像分割は,コンピュータ支援診断の分野において重要な応用となっている。
本稿では,2次元医用画像分割のための新しいグラフ畳み込み型デコーダであるカスケードグラフ畳み込み注意デコーダ(g-cascade)を提案する。
G-CASCADEは、効率的なグラフ畳み込みブロックを持つ階層変換器エンコーダによって生成される多段特徴写像を徐々に洗練する。
エンコーダはセルフアテンション機構を利用して長距離依存関係をキャプチャし、デコーダはグラフ畳み込みブロックのグローバル受容フィールドによる長距離情報を保存する特徴マップを洗練する。
複数のトランスフォーマーエンコーダを用いたデコーダの厳密な評価は,5つの医用画像分割作業(腹部臓器,心臓臓器,ポリープ病変,皮膚病変,網膜血管)において,我々のモデルが他のSOTA法よりも優れていることを示している。
また,パラメータが80.8%少なく,FLOPが82.3%少ないSOTA CASCADEデコーダよりも優れたDICEスコアが得られることを示す。
我々のデコーダは他の階層エンコーダと簡単に使用でき、汎用的セマンティックおよび医用画像セグメンテーションタスクに利用できる。
関連論文リスト
- D-TrAttUnet: Toward Hybrid CNN-Transformer Architecture for Generic and Subtle Segmentation in Medical Images [18.087365906278013]
D-TrAttUnetアーキテクチャは、異なる疾患がしばしば特定の臓器をターゲットにしているという観察に基づいている。
我々のアーキテクチャは、複合CNNエンコーダとデュアルデコーダを備えたエンコーダ・デコーダ構造を含む。
アプローチを検証するため,Covid-19および骨転移セグメンテーションタスクの評価を行った。
論文 参考訳（メタデータ） (2024-05-07T10:09:41Z) - Extreme Encoder Output Frame Rate Reduction: Improving Computational
Latencies of Large End-to-End Models [59.57732929473519]
エンコーダに複数のフレーム削減層を適用し,少数の出力フレームにエンコーダ出力を圧縮する。
入力音声の2.56秒毎に1つのエンコーダ出力フレームを生成できることを示す。
論文 参考訳（メタデータ） (2024-02-27T03:40:44Z) - Dilated-UNet: A Fast and Accurate Medical Image Segmentation Approach
using a Dilated Transformer and U-Net Architecture [0.6445605125467572]
本稿では,Dilated-UNetについて紹介する。Dilated-UNetはDilated TransformerブロックとU-Netアーキテクチャを組み合わせることで,高精度かつ高速な医用画像セグメンテーションを実現する。
実験の結果,Dilated-UNetはいくつかの挑戦的な医用画像セグメンテーションデータセットにおいて,他のモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-22T17:20:13Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - On the Importance of Image Encoding in Automated Chest X-Ray Report
Generation [4.843654097048771]
胸部X線は、そのアクセシビリティと有効性から最も人気のある医用画像モダリティの1つである。
これらの画像を解釈し、患者の状態を診断できる、よく訓練された放射線科医の慢性的な不足がある。
自動放射線診断レポート生成は 臨床実践において 非常に有用なツールです
論文 参考訳（メタデータ） (2022-11-24T08:02:52Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing
Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。
1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。
実験では,4つのデータセット上でのモデルの有効性を検証した。
論文 参考訳（メタデータ） (2021-07-24T02:58:32Z) - Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文 参考訳（メタデータ） (2021-04-08T12:09:16Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - 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。