論文の概要: Leveraging Frequency Domain Learning in 3D Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2401.06224v1
• Date: Thu, 11 Jan 2024 19:07:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 20:54:07.010858
• Title: Leveraging Frequency Domain Learning in 3D Vessel Segmentation
• Title（参考訳）: 3次元容器セグメンテーションにおける周波数領域学習の活用
• Authors: Xinyuan Wang, Chengwei Pan, Hongming Dai, Gangming Zhao, Jinpeng Li, Xiao Zhang, Yizhou Yu
• Abstract要約: 本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
• 参考スコア（独自算出の注目度）: 50.54833091336862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coronary microvascular disease constitutes a substantial risk to human health. Employing computer-aided analysis and diagnostic systems, medical professionals can intervene early in disease progression, with 3D vessel segmentation serving as a crucial component. Nevertheless, conventional U-Net architectures tend to yield incoherent and imprecise segmentation outcomes, particularly for small vessel structures. While models with attention mechanisms, such as Transformers and large convolutional kernels, demonstrate superior performance, their extensive computational demands during training and inference lead to increased time complexity. In this study, we leverage Fourier domain learning as a substitute for multi-scale convolutional kernels in 3D hierarchical segmentation models, which can reduce computational expenses while preserving global receptive fields within the network. Furthermore, a zero-parameter frequency domain fusion method is designed to improve the skip connections in U-Net architecture. Experimental results on a public dataset and an in-house dataset indicate that our novel Fourier transformation-based network achieves remarkable dice performance (84.37\% on ASACA500 and 80.32\% on ImageCAS) in tubular vessel segmentation tasks and substantially reduces computational requirements without compromising global receptive fields.
• Abstract（参考訳）: 冠状微小血管疾患はヒトの健康に重大なリスクを負う。 コンピュータ支援分析と診断システムを利用することで、医療専門家は病気の進行の早期に介入でき、3D血管セグメンテーションが重要な要素となる。 しかしながら、従来のU-Netアーキテクチャは、特に小さな容器構造において、不整合かつ不整合なセグメンテーションの結果をもたらす傾向にある。 トランスフォーマーや大きな畳み込みカーネルのような注意機構を持つモデルは優れた性能を示すが、トレーニングや推論の際の膨大な計算要求は時間の複雑さを増大させる。 本研究では,Fourierドメイン学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として利用する。 さらに、u-netアーキテクチャにおけるスキップ接続を改善するためにゼロパラメータ周波数領域融合法が設計されている。 公開データセットと社内データセットを用いた実験の結果,新しいフーリエ変換ベースのネットワークは管状容器分割作業において顕著なサイス性能(asaca500では84.37\%,imagecasでは80.32\%)を達成し,グローバル受容場を妥協することなく計算要件を実質的に削減した。

関連論文リスト

• A generalised novel loss function for computational fluid dynamics [0.9999629695552196]
  新たな損失関数をGMSE(Gradient Mean Squared Error)と呼ぶ フィールドごとに重要領域を自動的に動的に識別し、局所的な分散に応じて適切な重みを割り当てる。 この損失関数により,計算流体力学における機械学習の高速化が期待できる。
  論文  参考訳（メタデータ） (2024-11-26T02:57:31Z)
• MambaClinix: Hierarchical Gated Convolution and Mamba-Based U-Net for Enhanced 3D Medical Image Segmentation [6.673169053236727]
  医用画像分割のための新しいU字型アーキテクチャであるMambaClinixを提案する。 MambaClinixは、階層的なゲート畳み込みネットワークとMambaを適応的なステージワイドフレームワークに統合する。 以上の結果から,MambaClinixは低モデルの複雑さを維持しつつ高いセグメンテーション精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-19T07:51:14Z)
• Skeleton Recall Loss for Connectivity Conserving and Resource Efficient Segmentation of Thin Tubular Structures [2.0710692923459804]
  容器、神経、道路、コンクリートクラックなどの細い管状構造を正確に分断することは、コンピュータビジョンにおいて重要な課題である。 DiceやCross-Entropyのような標準的なディープラーニングベースのセグメンテーション損失関数は、しばしば構造的な接続性やトポロジーを犠牲にしてオーバーラップに焦点を当てる。 我々は,GPUベースの計算を低コストなCPU操作で回避し,これらの課題を効果的に解決する新しいSkeleton Recall Lossを提案する。
  論文  参考訳（メタデータ） (2024-04-03T18:42:19Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• DVNet: A Memory-Efficient Three-Dimensional CNN for Large-Scale Neurovascular Reconstruction [1.9199289015460215]
  画素単位のセマンティックセマンティックセグメンテーションのための,完全畳み込み,深層化,密結合型エンコーダデコーダを提案する。 提案ネットワークは,オープンソースベンチマークに適用したセマンティックセグメンテーション問題に対して,優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-02-04T22:39:58Z)

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。