Fugu-MT 論文翻訳(概要): Adaptive Smooth Activation for Improved Disease Diagnosis and Organ Segmentation from Radiology Scans

論文の概要: Adaptive Smooth Activation for Improved Disease Diagnosis and Organ Segmentation from Radiology Scans

arxiv url: http://arxiv.org/abs/2312.11480v1
Date: Wed, 29 Nov 2023 07:16:55 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 13:37:51.298302
Title: Adaptive Smooth Activation for Improved Disease Diagnosis and Organ Segmentation from Radiology Scans
Title（参考訳）: 適応的スムース・アクティベーションによる放射線画像からの疾患診断と臓器分画の改善
Authors: Koushik Biswas, Debesh Jha, Nikhil Kumar Tomar, Gorkem Durak, Alpay Medetalibeyoglu, Matthew Antalek, Yury Velichko, Daniela Ladner, Amir Bohrani, Ulas Bagci
Abstract要約: 本稿では,適応平滑化ユニット (ASAU) と呼ばれる新しいアクティベーション関数を提案する。医学画像解析において, ASAU は, CT と MRI における自動疾患診断と臓器分割という, 重要かつ一般的に用いられる2つの一般的な課題に適用する。
参考スコア（独自算出の注目度）: 2.788038354941588
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, we propose a new activation function, called Adaptive Smooth Activation Unit (ASAU), tailored for optimized gradient propagation, thereby enhancing the proficiency of convolutional networks in medical image analysis. We apply this new activation function to two important and commonly used general tasks in medical image analysis: automatic disease diagnosis and organ segmentation in CT and MRI. Our rigorous evaluation on the RadImageNet abdominal/pelvis (CT and MRI) dataset and Liver Tumor Segmentation Benchmark (LiTS) 2017 demonstrates that our ASAU-integrated frameworks not only achieve a substantial (4.80\%) improvement over ReLU in classification accuracy (disease detection) on abdominal CT and MRI but also achieves 1\%-3\% improvement in dice coefficient compared to widely used activations for `healthy liver tissue' segmentation. These improvements offer new baselines for developing a diagnostic tool, particularly for complex, challenging pathologies. The superior performance and adaptability of ASAU highlight its potential for integration into a wide range of image classification and segmentation tasks.
Abstract（参考訳）: 本研究では, 適応平滑化ユニット (ASAU) と呼ばれる新しい活性化関数を提案し, 医用画像解析における畳み込みネットワークの精度の向上を図る。我々は,この新たな活性化機能を医療画像解析において重要な2つの一般的なタスク,すなわちCTとMRIにおける自動疾患診断と臓器分割に応用する。 radimagenet abdominal/pelvis (ct and mri) dataset and liver tumor segmentation benchmark (lits) 2017 を厳密に評価した結果,asau 統合フレームワークは,腹部ct と mri の分類精度 (disease detection) において relu よりも大幅に (4.80\%) 向上するだけでなく,'healthy liver tissue' セグメンテーションで広く使用されているアクティベーションと比較して dice 係数が 1 %-3 % 向上することが示された。これらの改善は、診断ツールの開発、特に複雑で困難な病態のための新しいベースラインを提供する。 ASAUの優れた性能と適応性は、幅広い画像分類とセグメンテーションタスクに統合される可能性を強調している。

関連論文リスト

Improved Unet brain tumor image segmentation based on GSConv module and ECA attention mechanism [0.0]
U-Netアーキテクチャに基づく深層学習アルゴリズムである脳腫瘍に対する医用画像分割法の改良モデルについて述べる。従来のU-Netに基づいて,医療画像分割作業におけるモデルの性能向上を目的としたGSConvモジュールとECAアテンション機構を導入する。
論文参考訳（メタデータ） (2024-09-20T16:35:19Z)
A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-08-11T04:12:35Z)
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)
Ultrasound Image Segmentation of Thyroid Nodule via Latent Semantic Feature Co-Registration [12.211161441766532]
本稿では,甲状腺結節分節の枠組みであるASTNを提案する。アトラスおよび対象画像から潜在意味情報を抽出することにより、解剖学的構造の整合性を確保することができる。また,共同登録の難しさを軽減するために,アトラス選択アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-13T16:18:48Z)
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)
Attention Augmented ConvNeXt UNet For Rectal Tumour Segmentation [5.203079341228683]
深層学習を通して直腸癌腫瘍の位置と大きさを分類することは困難である。本稿では,注意を拡大したConvNeXt UNet(AACN-UNet)を提案する。 UNetとその変種ネットワークによる実験によると、AACN-UNetはP、F1、Miouの最高値よりも0.9%、1.1%、そして1.4%高い。
論文参考訳（メタデータ） (2022-10-01T09:08:43Z)
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)
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)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。