論文の概要: Slicer Networks
- arxiv url: http://arxiv.org/abs/2401.09833v1
- Date: Thu, 18 Jan 2024 09:50:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 17:08:25.733746
- Title: Slicer Networks
- Title(参考訳): スライサネットワーク
- Authors: Hang Zhang, Xiang Chen, Rongguang Wang, Renjiu Hu, Dongdong Liu and
Gaolei Li
- Abstract要約: 医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
- 参考スコア(独自算出の注目度): 8.43960865813102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical imaging, scans often reveal objects with varied contrasts but
consistent internal intensities or textures. This characteristic enables the
use of low-frequency approximations for tasks such as segmentation and
deformation field estimation. Yet, integrating this concept into neural network
architectures for medical image analysis remains underexplored. In this paper,
we propose the Slicer Network, a novel architecture designed to leverage these
traits. Comprising an encoder utilizing models like vision transformers for
feature extraction and a slicer employing a learnable bilateral grid, the
Slicer Network strategically refines and upsamples feature maps via a
splatting-blurring-slicing process. This introduces an edge-preserving
low-frequency approximation for the network outcome, effectively enlarging the
effective receptive field. The enhancement not only reduces computational
complexity but also boosts overall performance. Experiments across different
medical imaging applications, including unsupervised and keypoints-based image
registration and lesion segmentation, have verified the Slicer Network's
improved accuracy and efficiency.
- Abstract(参考訳): 医用イメージングでは、スキャンによってコントラストは異なるが、内部強度やテクスチャが一貫した物体が明らかになることが多い。
この特性により、セグメンテーションや変形場推定などのタスクに低周波近似を用いることができる。
しかし、医療画像分析のためのニューラルネットワークアーキテクチャにこの概念を統合することは、まだ未定である。
本稿では,これらの特徴を利用した新しいアーキテクチャであるスライサネットワークを提案する。
特徴抽出にvision transformers等のモデルを利用するエンコーダと、学習可能なバイラテラルグリッドを用いたスライサとを含み、スライサネットワークは、スライティング・ブローリング・スライシングプロセスを介して特徴マップを戦略的に洗練し、アップサンプリングする。
これにより、ネットワーク結果に対するエッジ保存低周波近似を導入し、有効受容場を効果的に拡大する。
この拡張は計算の複雑さを軽減するだけでなく、全体的なパフォーマンスも向上させる。
教師なしおよびキーポイントベースの画像登録および病変分割を含む様々な医用画像応用の実験により、スライサネットワークの精度と効率性が向上した。
関連論文リスト
- Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Unleashing the Power of Depth and Pose Estimation Neural Networks by
Designing Compatible Endoscopic Images [12.412060445862842]
内視鏡画像の特性を詳細に解析し、画像とニューラルネットワークの互換性を改善する。
まず,完全な画像情報の代わりに部分的な画像情報を入力するMask Image Modelling (MIM) モジュールを導入する。
第2に、画像とニューラルネットワークの互換性を明確に向上させるために、内視鏡画像を強化する軽量ニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-09-14T02:19:38Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - 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) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳(メタデータ) (2022-04-09T16:41:53Z) - 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) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Efficient Medical Image Segmentation Based on Knowledge Distillation [30.857487609003197]
医用画像セグメンテーションネットワークから知識を抽出し,別の軽量ネットワークを訓練することで,効率的なアーキテクチャを提案する。
また,教師から学生ネットワークへ意味領域情報を伝達するために,医用画像セグメンテーションに適した新しい蒸留モジュールを考案した。
本研究では,本手法で蒸留した軽量ネットワークが,比較的高い動作速度と低いストレージ使用量を必要とするシナリオにおいて,無視できない価値を持つことを示す。
論文 参考訳(メタデータ) (2021-08-23T07:41:10Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳(メタデータ) (2021-06-13T18:55:23Z) - Training robust deep learning models for medical imaging tasks with
spectral decoupling [0.0]
スペクトル分離は、強いスプリアス相関を持つデータセット上でニューラルネットワークのトレーニングを可能にする。
スペクトルデカップリングで訓練されたネットワークは、異なる中心からのデータセットの重量減衰よりも精度を10パーセント向上させる。
その結果、スペクトル分離により、複数の中心にまたがってトレーニング可能なロバストなニューラルネットワークが利用可能であることが判明した。
論文 参考訳(メタデータ) (2021-03-31T15:47:01Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳(メタデータ) (2020-10-19T13:56:22Z)
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。