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

• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• LMBF-Net: A Lightweight Multipath Bidirectional Focal Attention Network for Multifeatures Segmentation [15.091476025563528]
  網膜疾患は、早期に診断や治療を受けなければ、両眼で不可逆的な視力喪失を引き起こす可能性がある。 多くのラベルや属性で網膜画像をセグメント化するための現在のディープラーニング技術は、検出精度と一般性に乏しい。 本稿では,多機能セグメンテーションのためのマルチパス畳み込み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） (2024-07-03T07:37:09Z)
• Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
  本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。 様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。 その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
  論文  参考訳（メタデータ） (2023-12-21T08:02:49Z)
• 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)
• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• 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)
• 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)
• 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)
• 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。