Fugu-MT 論文翻訳(概要): Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention

論文の概要: Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention

arxiv url: http://arxiv.org/abs/2401.15990v2
Date: Thu, 9 May 2024 14:05:56 GMT
ステータス: 処理完了
システム内更新日: 2024-05-10 17:49:31.981651
Title: Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention
Title（参考訳）: Gland Segmentation Via Dual Encodersと境界強調注意
Authors: Huadeng Wang, Jiejiang Yu, Bingbing Li, Xipeng Pan, Zhenbing Liu, Rushi Lan, Xiaonan Luo,
Abstract要約: 病理画像の精度と自動腺分割のためのDEAモデルを提案する。このモデルは、バックボーンエンコーディングとデコードネットワークとローカルセマンティック抽出ネットワークの2つのブランチで構成されている。 GlaS と CRAG の2つの公開データセットによる実験結果から,本手法が他の腺分節法より優れていることが確認された。
参考スコア（独自算出の注目度）: 11.346720008403075
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate and automated gland segmentation on pathological images can assist pathologists in diagnosing the malignancy of colorectal adenocarcinoma. However, due to various gland shapes, severe deformation of malignant glands, and overlapping adhesions between glands. Gland segmentation has always been very challenging. To address these problems, we propose a DEA model. This model consists of two branches: the backbone encoding and decoding network and the local semantic extraction network. The backbone encoding and decoding network extracts advanced Semantic features, uses the proposed feature decoder to restore feature space information, and then enhances the boundary features of the gland through boundary enhancement attention. The local semantic extraction network uses the pre-trained DeepLabv3+ as a Local semantic-guided encoder to realize the extraction of edge features. Experimental results on two public datasets, GlaS and CRAG, confirm that the performance of our method is better than other gland segmentation methods.
Abstract（参考訳）: 病理画像上の正確な自動腺分画は、大腸腺癌の悪性度を診断するのに役立つ。しかし, 各種の腺形状, 悪性腺の高度な変形, 腺間の接着の重なりが原因であった。 Glandのセグメンテーションは、常に非常に難しい。これらの問題に対処するため、我々はDEAモデルを提案する。このモデルは、バックボーンエンコーディングとデコードネットワークとローカルセマンティック抽出ネットワークの2つのブランチで構成されている。バックボーン符号化およびデコードネットワークは,高度なセマンティック特徴を抽出し,提案する特徴デコーダを用いて特徴空間情報を復元し,境界強調による腺の境界特徴を増強する。ローカルセマンティック抽出ネットワークは、事前訓練されたDeepLabv3+をローカルセマンティック誘導エンコーダとして使用し、エッジ特徴の抽出を実現する。 GlaS と CRAG の2つの公開データセットによる実験結果から,本手法が他の腺分節法よりも優れていることが確認された。

関連論文リスト

GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。乳がんの病理組織像データセットの多様性について検討した。
論文参考訳（メタデータ） (2024-06-12T19:17:17Z)
D-TrAttUnet: Toward Hybrid CNN-Transformer Architecture for Generic and Subtle Segmentation in Medical Images [18.087365906278013]
D-TrAttUnetアーキテクチャは、異なる疾患がしばしば特定の臓器をターゲットにしているという観察に基づいている。我々のアーキテクチャは、複合CNNエンコーダとデュアルデコーダを備えたエンコーダ・デコーダ構造を含む。アプローチを検証するため,Covid-19および骨転移セグメンテーションタスクの評価を行った。
論文参考訳（メタデータ） (2024-05-07T10:09:41Z)
Morphology-inspired Unsupervised Gland Segmentation via Selective Semantic Grouping [12.292982828553743]
本研究では,非教師下腺分節の深層学習法について検討する。 Selective Semantic Grouping を用いた新しい形態素インスピレーション手法を提案する。この方法はmIOUで10.56%を超える第2位である。
論文参考訳（メタデータ） (2023-07-22T06:03:40Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文参考訳（メタデータ） (2022-07-17T08:54:07Z)
Online Easy Example Mining for Weakly-supervised Gland Segmentation from Histology Images [10.832913704956253]
病理組織像からのAI支援腺分節法の開発は, 自動診断と予後に重要である。コンピュータビジョンにおける既存の弱教師付きセマンティックセマンティックセマンティクス法は、腺セマンティクスの変性結果を達成する。信頼性の高い監視信号に着目したオンライン簡易事例マイニング(OEEM)を提案する。
論文参考訳（メタデータ） (2022-06-14T07:53:03Z)
Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-01-02T08:33:19Z)
TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-10-27T17:10:58Z)
Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。実験では,4つのデータセット上でのモデルの有効性を検証した。
論文参考訳（メタデータ） (2021-07-24T02:58:32Z)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文参考訳（メタデータ） (2021-02-08T16:10:50Z)

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。