論文の概要: MiTU-Net: A fine-tuned U-Net with SegFormer backbone for segmenting
pubic symphysis-fetal head
- arxiv url: http://arxiv.org/abs/2401.15513v1
- Date: Sat, 27 Jan 2024 21:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:48:30.334435
- Title: MiTU-Net: A fine-tuned U-Net with SegFormer backbone for segmenting
pubic symphysis-fetal head
- Title（参考訳）: MiTU-Net: Pubic symphysis-fetal headをセグメント化するためのSegFormerバックボーンを用いた微調整U-Net
- Authors: Fangyijie Wang, Guenole Silvestre, Kathleen Curran
- Abstract要約: そこで本稿では, 胎児の頭部・耳下神経症状の自動分離とAoP測定のためのMix Transformer U-Net(MiTU-Net)ネットワークを提案する。
MiTU-Netはエンコーダ・デコーダ・フレームワークをベースにしており、事前訓練された効率的なトランスフォーマーを使用して特徴表現を強化する。
本モデルでは,既存手法と比較して5位にランクインし,競争性能を向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Ultrasound measurements have been examined as potential tools for predicting
the likelihood of successful vaginal delivery. The angle of progression (AoP)
is a measurable parameter that can be obtained during the initial stage of
labor. The AoP is defined as the angle between a straight line along the
longitudinal axis of the pubic symphysis (PS) and a line from the inferior edge
of the PS to the leading edge of the fetal head (FH). However, the process of
measuring AoP on ultrasound images is time consuming and prone to errors. To
address this challenge, we propose the Mix Transformer U-Net (MiTU-Net)
network, for automatic fetal head-pubic symphysis segmentation and AoP
measurement. The MiTU-Net model is based on an encoder-decoder framework,
utilizing a pre-trained efficient transformer to enhance feature
representation. Within the efficient transformer encoder, the model
significantly reduces the trainable parameters of the encoder-decoder model.
The effectiveness of the proposed method is demonstrated through experiments
conducted on a recent transperineal ultrasound dataset. Our model achieves
competitive performance, ranking 5th compared to existing approaches. The
MiTU-Net presents an efficient method for automatic segmentation and AoP
measurement, reducing errors and assisting sonographers in clinical practice.
Reproducibility: Framework implementation and models available on
https://github.com/13204942/MiTU-Net.
- Abstract（参考訳）: 超音波測定は, 迷走神経伝達の可能性を予測するための潜在的なツールとして検討されてきた。
進行角(英: angle of progression、aop)は、労働の初期段階において得られる測定可能なパラメータである。
AoPは、パビック・サイロフィクス(PS)の縦軸に沿った直線と、PSの下縁から胎児頭部(FH)の前縁までの直線との角度として定義される。
しかし、超音波画像上でのAoPの測定プロセスは時間がかかり、エラーを起こしやすい。
この課題に対処するために, 胎児の頭部・耳下神経症状の自動分離とAoP測定のためのMix Transformer U-Net(MiTU-Net)ネットワークを提案する。
MiTU-Netモデルはエンコーダ・デコーダ・フレームワークに基づいており、事前訓練された効率的なトランスフォーマーを用いて特徴表現を強化する。
効率的なトランスコーダ内では、モデルはエンコーダ-デコーダモデルのトレーニング可能なパラメータを大幅に削減する。
近年の経会陰超音波データを用いた実験により,提案法の有効性を実証した。
本モデルでは,既存手法と比較して5位にランクインし,競争性能を向上する。
MiTU-Netは、自動セグメンテーションとAoP測定の効率的な方法を示し、エラーを減らし、臨床実習におけるソノグラフィーを支援する。
再現性: https://github.com/13204942/mitu-netで利用可能なフレームワークの実装とモデル。
関連論文リスト
- Pubic Symphysis-Fetal Head Segmentation Network Using BiFormer Attention Mechanism and Multipath Dilated Convolution [6.673262517388075]
経ペリン超音波画像における胎児の頭頂部偏位は,胎児の頭頂部偏位と進行を評価する上で重要な役割を担っている。
超音波画像セグメンテーションのための動的でクエリ対応のスパースアテンション機構を提案する。
BRAU-Net という新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-14T10:14:04Z) - MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。
ViT法はトランスの表現性を生かし,優れた検出性能を実現する。
この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
論文 参考訳（メタデータ） (2024-04-12T13:02:08Z) - Bring Metric Functions into Diffusion Models [145.71911023514252]
DDPM(Denoising Diffusion Probabilistic Model)を改善するカスケード拡散モデル(Cas-DM)を導入する。
提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最先端画像品質(FID, sFID, IS)を実現する。
実験結果から,提案した拡散モデルバックボーンはLPIPS損失の有効利用を可能にし,最新画像品質(FID, sFID, IS)につながることが示された。
論文 参考訳（メタデータ） (2024-01-04T18:55:01Z) - Evaluate Fine-tuning Strategies for Fetal Head Ultrasound Image Segmentation with U-Net [0.0]
本稿では,CNNネットワークをスクラッチからトレーニングするためのTransfer Learning(TL)手法を提案する。
我々のアプローチは、エンコーダとして軽量なMobileNetを持つU-Netネットワークを微調整(FT)することである。
提案したFT戦略は、トレーニング可能なパラメータが440万未満の他の戦略よりも優れている。
論文 参考訳（メタデータ） (2023-07-18T08:37:58Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Read Pointer Meters in complex environments based on a Human-like
Alignment and Recognition Algorithm [16.823681016882315]
これらの問題を克服するための人間ライクなアライメントと認識アルゴリズムを提案する。
STM(Spatial Transformed Module)は,画像のフロントビューを自己自律的に取得するために提案される。
VAM(Value Acquisition Module)は、エンドツーエンドのトレーニングフレームワークによって正確なメーター値を推測するために提案される。
論文 参考訳（メタデータ） (2023-02-28T05:37:04Z) - Decoder Tuning: Efficient Language Understanding as Decoding [84.68266271483022]
本稿では,タスク固有のデコーダネットワークを出力側で最適化するデコーダチューニング(DecT)を提案する。
勾配ベースの最適化により、DecTは数秒以内にトレーニングでき、サンプル毎に1つのPクエリしか必要としない。
我々は、広範囲にわたる自然言語理解実験を行い、DecTが200ドル以上のスピードアップで最先端のアルゴリズムを大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2022-12-16T11:15:39Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - TransNorm: Transformer Provides a Strong Spatial Normalization Mechanism
for a Deep Segmentation Model [4.320393382724066]
畳み込みニューラルネットワーク(CNN)は、医療画像処理時代の主流技術である。
本稿では,Transformerモジュールをエンコーダとスキップ接続の両方に統合する,新しいディープセグメンテーションフレームワークであるTrans-Normを提案する。
論文 参考訳（メタデータ） (2022-07-27T09:54:10Z) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳（メタデータ） (2021-06-24T12:23:05Z) - End-to-End Synthetic Data Generation for Domain Adaptation of Question
Answering Systems [34.927828428293864]
本モデルでは,1つのトランスをベースとしたエンコーダデコーダネットワークをエンドツーエンドにトレーニングし,問合せと問合せの両方を生成する。
簡単に言えば、エンコーダにパスを与え、デコーダに質問と回答トークンをtokenで生成するよう依頼する。
論文 参考訳（メタデータ） (2020-10-12T21:10:18Z)
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。