論文の概要: Dynamic U-Net: Adaptively Calibrate Features for Abdominal Multi-organ Segmentation

• arxiv url: http://arxiv.org/abs/2403.07303v1
• Date: Tue, 12 Mar 2024 04:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:51:35.875054
• Title: Dynamic U-Net: Adaptively Calibrate Features for Abdominal Multi-organ Segmentation
• Title（参考訳）: dynamic u-net: 腹部マルチオルガンセグメンテーションのための適応的キャリブレーション機能
• Authors: Jin Yang, Daniel S. Marcus, and Aristeidis Sotiras
• Abstract要約: U-Netは腹部臓器の分節化に広く使われており、有望なパフォーマンスを実現している。 本稿では、動的校正変換(DCC)、動的校正ダウンサンプリング(DCD)、動的校正アップサンプリング(DCU)モジュールを提案する。
• 参考スコア（独自算出の注目度）: 1.9422777572345737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: U-Net has been widely used for segmenting abdominal organs, achieving promising performance. However, when it is used for multi-organ segmentation, first, it may be limited in exploiting global long-range contextual information due to the implementation of standard convolutions. Second, the use of spatial-wise downsampling (e.g., max pooling or strided convolutions) in the encoding path may lead to the loss of deformable or discriminative details. Third, features upsampled from the higher level are concatenated with those that persevered via skip connections. However, repeated downsampling and upsampling operations lead to misalignments between them and their concatenation degrades segmentation performance. To address these limitations, we propose Dynamically Calibrated Convolution (DCC), Dynamically Calibrated Downsampling (DCD), and Dynamically Calibrated Upsampling (DCU) modules, respectively. The DCC module can utilize global inter-dependencies between spatial and channel features to calibrate these features adaptively. The DCD module enables networks to adaptively preserve deformable or discriminative features during downsampling. The DCU module can dynamically align and calibrate upsampled features to eliminate misalignments before concatenations. We integrated the proposed modules into a standard U-Net, resulting in a new architecture, termed Dynamic U-Net. This architectural design enables U-Net to dynamically adjust features for different organs. We evaluated Dynamic U-Net in two abdominal multi-organ segmentation benchmarks. Dynamic U-Net achieved statistically improved segmentation accuracy compared with standard U-Net. Our code is available at https://github.com/sotiraslab/DynamicUNet.
• Abstract（参考訳）: u-netは腹部臓器のセグメンテーションに広く使われ、有望な性能を実現している。 しかし、マルチ組織セグメンテーションに使用される場合、第一に、標準畳み込みの実装により、グローバルな長距離コンテキスト情報を利用する場合に制限される可能性がある。 第2に、符号化経路における空間的なダウンサンプリング(例えば、マックスプーリングやストレート畳み込み)の使用は、変形可能または判別可能な詳細を失う可能性がある。 第3に、上位レベルからアップサンプリングされた機能は、スキップ接続を介して持続する機能と結合する。 しかし、繰り返しのダウンサンプリングとアップサンプリング操作は、それらの間の不一致を引き起こし、結合はセグメンテーション性能を低下させる。 これらの制約に対処するために、動的キャリブレーション・コンボリューション(DCC)、動的キャリブレーション・ダウンサンプリング(DCD)、動的キャリブレーション・アップサンプリング(DCU)モジュールを提案する。 DCCモジュールは、空間的特徴とチャネル的特徴の間のグローバルな相互依存性を利用して、これらの特徴を適応的に校正することができる。 dcdモジュールは、ネットワークがダウンサンプリング中に変形可能または識別可能な特徴を適応的に保存することを可能にする。 DCUモジュールは、アンサンプされた特徴を動的に調整して調整し、結合前に不一致を取り除くことができる。 提案したモジュールを標準のU-Netに統合し,動的U-Netと呼ばれる新しいアーキテクチャを実現する。 このアーキテクチャ設計により、U-Netは異なる臓器の機能を動的に調整できる。 2つの腹部マルチオルガンセグメンテーションベンチマークにおいて動的u-netを評価した。 動的U-Netは標準的なU-Netに比べて統計的に精度が向上した。 私たちのコードはhttps://github.com/sotiraslab/dynamicunetで利用可能です。

関連論文リスト

• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• CalibNet: Dual-branch Cross-modal Calibration for RGB-D Salient Instance Segmentation [88.50067783122559]
  CalibNetは3つの単純なモジュール、動的インタラクティブカーネル(DIK)と重量共有融合(WSF)で構成されている。 実験の結果、CalibNetは、COME15K-Nテストセット上で320*480の入力サイズを持つ58.0% APという有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-16T16:49:59Z)
• Dual Complementary Dynamic Convolution for Image Recognition [13.864357201410648]
  畳み込みニューラルネットワーク(CNN)のための2分岐二重補完動的畳み込み演算子(DCDC)を提案する。 DCDCオペレータは、バニラ畳み込みと、空間適応的特徴のみをキャプチャする既存の動的畳み込みの制限を克服する。 実験により、DCDCオペレーターベースのResNets(DCDC-ResNets)は、画像分類におけるバニラResNetsや最先端の動的畳み込みネットワークよりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-11T12:32:12Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Multi-scale and Cross-scale Contrastive Learning for Semantic Segmentation [5.281694565226513]
  セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。 まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
  論文  参考訳（メタデータ） (2022-03-25T01:24:24Z)
• Dynamic ConvNets on Tiny Devices via Nested Sparsity [3.0313758880048765]
  この作業では、Nested Sparse ConvNetsを構築するための、新たなトレーニングと圧縮パイプラインが導入されている。 Nested Sparse ConvNetは、Nのスパースサブネットワークとネストウェイトサブセットを含む単一のConvNetアーキテクチャで構成されている。 ARM-M7マイクロコントローラユニットのイメージ分類とオブジェクト検出タスクのテスト。
  論文  参考訳（メタデータ） (2022-03-07T12:07:02Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• MACU-Net for Semantic Segmentation of Fine-Resolution Remotely Sensed Images [11.047174552053626]
  MACU-Netは、マルチスケールのスキップ接続と非対称畳み込みベースのU-Netで、微細解像度のリモートセンシング画像を提供する。 本設計では,(1)低レベル・高レベルの特徴写像に含まれる意味的特徴と,(2)非対称な畳み込みブロックは,標準畳み込み層の特徴表現と特徴抽出能力を強化する。 2つのリモートセンシングデータセットで行った実験では、提案したMACU-NetがU-Net、U-NetPPL、U-Net 3+、その他のベンチマークアプローチを超越していることが示されている。
  論文  参考訳（メタデータ） (2020-07-26T08:56:47Z)
• Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection [91.43066633305662]
  RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。 本稿では,これらの問題を新たな視点から考察する。 我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
  論文  参考訳（メタデータ） (2020-07-13T07:59:55Z)

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。