論文の概要: CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion

• arxiv url: http://arxiv.org/abs/2403.01513v1
• Date: Sun, 3 Mar 2024 13:36:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 21:08:18.822262
• Title: CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion
• Title（参考訳）: CDSE-UNet: Canny Edge Detection と Dual-Path SENet Feature Fusion による COVID-19 CT 画像分割の強化
• Authors: Jiao Ding, Jie Chang, Renrui Han, Li Yang
• Abstract要約: CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
• 参考スコア（独自算出の注目度）: 10.831487161893305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of COVID-19 CT images is crucial for reducing the severity and mortality rates associated with COVID-19 infections. In response to blurred boundaries and high variability characteristic of lesion areas in COVID-19 CT images, we introduce CDSE-UNet: a novel UNet-based segmentation model that integrates Canny operator edge detection and a dual-path SENet feature fusion mechanism. This model enhances the standard UNet architecture by employing the Canny operator for edge detection in sample images, paralleling this with a similar network structure for semantic feature extraction. A key innovation is the Double SENet Feature Fusion Block, applied across corresponding network layers to effectively combine features from both image paths. Moreover, we have developed a Multiscale Convolution approach, replacing the standard Convolution in UNet, to adapt to the varied lesion sizes and shapes. This addition not only aids in accurately classifying lesion edge pixels but also significantly improves channel differentiation and expands the capacity of the model. Our evaluations on public datasets demonstrate CDSE-UNet's superior performance over other leading models, particularly in segmenting large and small lesion areas, accurately delineating lesion edges, and effectively suppressing noise
• Abstract（参考訳）: 新型コロナウイルスのCT画像の正確なセグメンテーションは、重症度と死亡率の低下に不可欠である。 新型コロナウイルスのct画像における病変領域のぼやけた境界と高い変動特性に対応するために,cdse-unetという,カニー演算子エッジ検出とデュアルパスセネット特徴融合機構を統合した,新しいunetベースのセグメンテーションモデルを導入する。 このモデルは、サンプル画像のエッジ検出にCanny演算子を使用し、類似のネットワーク構造を用いてセマンティック特徴抽出を行うことにより、標準UNetアーキテクチャを強化する。 主要なイノベーションはDouble SENet Feature Fusion Blockで、両方のイメージパスの機能を効果的に組み合わせるために対応するネットワーク層に適用される。 さらに, unetの標準畳み込みに代えて, 各種病変の大きさや形状に適応するマルチスケール畳み込み法を開発した。 この追加は、病変のエッジピクセルを正確に分類するだけでなく、チャネルの分化を著しく改善し、モデルの容量を拡大する。 我々は,cdse-unetが他の先行モデル,特に大小の病変領域を区分し,病変エッジを高精度に区切り,ノイズを効果的に抑制することを示す。

関連論文リスト

• COVID-CT-H-UNet: a novel COVID-19 CT segmentation network based on attention mechanism and Bi-category Hybrid loss [7.139873310466422]
  新型コロナウイルス(COVID-19)の流行は、医療研究に重要な焦点をあてている。 RT-PCRの補充と、CT画像による新型コロナウイルスの病理学的研究が重要視されている。 本稿では,これらの問題を解決するために,COVID-19 CTセグメンテーションネットワークであるCOVID-CT-H-UNetを提案する。
  論文  参考訳（メタデータ） (2024-03-16T10:25:07Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Quadruple Augmented Pyramid Network for Multi-class COVID-19 Segmentation via CT [1.6815638149823744]
  新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。 本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
  論文  参考訳（メタデータ） (2021-03-09T16:48:15Z)
• Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks [0.8224695424591678]
  本研究は、肺CT画像中のCOVID-19感染領域を記述するための2段階の深層畳み込みニューラルネットワーク(CNN)に基づくフレームワークを提案する。 第1段階では、2段階の離散ウェーブレット変換を用いて、COVID-19特異的CT画像の特徴を増強する。 これらの拡張CT画像は、提案したカスタムメイドの深部CoV-CTNetを用いて分類される。 第2段階では、新型コロナウイルス感染症領域の同定と解析のためのセグメンテーションモデルに、感染画像として分類されたCT画像を提供する。
  論文  参考訳（メタデータ） (2020-09-16T02:28:46Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation [14.807364495808779]
  BUS画像セグメンテーションのための新しい特徴統合戦略(「E」のような型を生成する)に基づいて、粗大な融合畳み込みネットワーク(CF2-Net)を提案し、評価する。 提案するCF2-Netは4倍のクロスバリデーションを用いてオープンデータセットで評価した。 実験の結果,CF2-Netは,他の深層学習手法と比較して最先端の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T09:27:26Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。