論文の概要: SynergyNet: Bridging the Gap between Discrete and Continuous
Representations for Precise Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2310.17764v1
- Date: Thu, 26 Oct 2023 20:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 15:33:51.061778
- Title: SynergyNet: Bridging the Gap between Discrete and Continuous
Representations for Precise Medical Image Segmentation
- Title(参考訳): SynergyNet: 正確な医用画像分割のための離散表現と連続表現のギャップを埋める
- Authors: Vandan Gorade, Sparsh Mittal, Debesh Jha, Ulas Bagci
- Abstract要約: 既存のエンコーダ/デコーダセグメンテーションフレームワークを強化するために設計された新しいボトルネックアーキテクチャであるSynergyNetを提案する。
マルチオーガナイズドセグメンテーションと心的データセットを用いた実験により,SynergyNetが他の技術手法よりも優れていることが示された。
我々の革新的なアプローチは、医用画像解析の重要な領域において、ディープラーニングモデルの全体的な性能と能力を高める方法である。
- 参考スコア(独自算出の注目度): 4.562266115935329
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, continuous latent space (CLS) and discrete latent space
(DLS) deep learning models have been proposed for medical image analysis for
improved performance. However, these models encounter distinct challenges. CLS
models capture intricate details but often lack interpretability in terms of
structural representation and robustness due to their emphasis on low-level
features. Conversely, DLS models offer interpretability, robustness, and the
ability to capture coarse-grained information thanks to their structured latent
space. However, DLS models have limited efficacy in capturing fine-grained
details. To address the limitations of both DLS and CLS models, we propose
SynergyNet, a novel bottleneck architecture designed to enhance existing
encoder-decoder segmentation frameworks. SynergyNet seamlessly integrates
discrete and continuous representations to harness complementary information
and successfully preserves both fine and coarse-grained details in the learned
representations. Our extensive experiment on multi-organ segmentation and
cardiac datasets demonstrates that SynergyNet outperforms other state of the
art methods, including TransUNet: dice scores improving by 2.16%, and Hausdorff
scores improving by 11.13%, respectively. When evaluating skin lesion and brain
tumor segmentation datasets, we observe a remarkable improvement of 1.71% in
Intersection-over Union scores for skin lesion segmentation and of 8.58% for
brain tumor segmentation. Our innovative approach paves the way for enhancing
the overall performance and capabilities of deep learning models in the
critical domain of medical image analysis.
- Abstract(参考訳): 近年,医療画像解析のための連続潜時空間(CLS)と離散潜時空間(DLS)深層学習モデルが提案されている。
しかし、これらのモデルは異なる課題に直面する。
CLSモデルは複雑な詳細を捉えるが、低レベルの特徴に重点を置いているため、構造表現やロバスト性の観点からは解釈性に欠けることが多い。
逆にdlsモデルは、構造化された潜在空間によって、解釈可能性、堅牢性、粗い粒度の情報をキャプチャする能力を提供する。
しかし、DLSモデルは細かな詳細を捉えるのに有効である。
既存のエンコーダとデコーダのセグメンテーションフレームワークを強化するために設計された,新たなボトルネックアーキテクチャであるSynergyNetを提案する。
synergynetは、離散表現と連続表現をシームレスに統合し、補完的情報を活用し、学習した表現の細部と粗部の両方をうまく保存する。
複数臓器のセグメンテーションと心臓のデータセットに関する広範な実験により、SynergyNetはTransUNetを含む他の技術手法よりも優れており、それぞれ2.16%、Hausdorffは11.13%向上している。
皮膚病変および脳腫瘍分画データセットを評価する際,皮膚病変分画の交叉結合スコアが1.71%,脳腫瘍分画が8.58%と著明な改善を示した。
我々の革新的なアプローチは、医用画像解析の重要な領域において、ディープラーニングモデルの全体的な性能と能力を高める方法である。
関連論文リスト
- Re-DiffiNet: Modeling discrepancies loss in tumor segmentation using
diffusion models [1.8770164030186538]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。
その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文 参考訳(メタデータ) (2024-02-12T01:03:39Z) - Harmonized Spatial and Spectral Learning for Robust and Generalized
Medical Image Segmentation [5.678550062099796]
我々は、中級特徴と文脈的長距離依存を捉えるためのモデル能力を改善するために、革新的なスペクトル相関係数の目的を導入する。
実験によると、UNetやTransUNetのような既存のアーキテクチャでこの目的を最適化することで、一般化、解釈可能性、ノイズの堅牢性が大幅に向上する。
論文 参考訳(メタデータ) (2024-01-18T20:43:43Z) - AttResDU-Net: Medical Image Segmentation Using Attention-based Residual
Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。
CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文 参考訳(メタデータ) (2023-06-25T14:28:08Z) - 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) - Analysing the effectiveness of a generative model for semi-supervised
medical image segmentation [23.898954721893855]
自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。
半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。
セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
論文 参考訳(メタデータ) (2022-11-03T15:19:59Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z)
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。