Fugu-MT 論文翻訳(概要): AC-MAMBASEG: An adaptive convolution and Mamba-based architecture for enhanced skin lesion segmentation

論文の概要: AC-MAMBASEG: An adaptive convolution and Mamba-based architecture for enhanced skin lesion segmentation

arxiv url: http://arxiv.org/abs/2405.03011v1
Date: Sun, 5 May 2024 17:37:50 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 15:24:13.354337
Title: AC-MAMBASEG: An adaptive convolution and Mamba-based architecture for enhanced skin lesion segmentation
Title（参考訳）: AC-MAMBASEG : 適応的畳み込みとマンバを基盤とした皮膚病変セグメンテーション
Authors: Viet-Thanh Nguyen, Van-Truong Pham, Thi-Thao Tran,
Abstract要約: 本稿では,新しい皮膚病変分割モデルであるAC-MambaSegを提案する。 AC-MambaSegはハイブリッドCNN-Mambaバックボーンを持ち、Attention GateやSelective Kernel Bottleneckといった高度なコンポーネントを統合している。本モデルは,コンピュータ支援診断システムの改善と皮膚疾患の早期発見と治療の促進に有望な可能性を示唆する。
参考スコア（独自算出の注目度）: 2.2448567386846916
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Skin lesion segmentation is a critical task in computer-aided diagnosis systems for dermatological diseases. Accurate segmentation of skin lesions from medical images is essential for early detection, diagnosis, and treatment planning. In this paper, we propose a new model for skin lesion segmentation namely AC-MambaSeg, an enhanced model that has the hybrid CNN-Mamba backbone, and integrates advanced components such as Convolutional Block Attention Module (CBAM), Attention Gate, and Selective Kernel Bottleneck. AC-MambaSeg leverages the Vision Mamba framework for efficient feature extraction, while CBAM and Selective Kernel Bottleneck enhance its ability to focus on informative regions and suppress background noise. We evaluate the performance of AC-MambaSeg on diverse datasets of skin lesion images including ISIC-2018 and PH2; then compare it against existing segmentation methods. Our model shows promising potential for improving computer-aided diagnosis systems and facilitating early detection and treatment of dermatological diseases. Our source code will be made available at: https://github.com/vietthanh2710/AC-MambaSeg.
Abstract（参考訳）: 皮膚病変のセグメンテーションは皮膚疾患のコンピュータ診断システムにおいて重要な課題である。医用画像からの皮膚病変の正確な分画は早期発見,診断,治療計画に不可欠である。本稿では,ハイブリッドCNN-Mambaバックボーンを有する拡張モデルであるAC-MambaSegを新たに提案し,CBAM(Convolutional Block Attention Module)やAttention Gate,Selective Kernel Bottleneckなどの高度なコンポーネントを統合する。 AC-MambaSegはVision Mambaフレームワークを利用して効率的な特徴抽出を行う一方、CBAMとSelective Kernel Bottleneckは情報領域に集中し、バックグラウンドノイズを抑制する能力を高めている。我々は,ISIC-2018やPH2を含む皮膚病変画像の多様なデータセットを用いたAC-MambaSegの性能評価を行い,既存のセグメンテーション法と比較した。本モデルは,コンピュータ支援診断システムの改善と皮膚疾患の早期発見と治療の促進に有望な可能性を示唆する。私たちのソースコードは、https://github.com/vietthanh2710/AC-MambaSegで公開されます。

関連論文リスト

TAFM-Net: A Novel Approach to Skin Lesion Segmentation Using Transformer Attention and Focal Modulation [0.0]
我々は、自己適応型トランスフォーマーアテンション(TA)と焦点変調(FM)を利用した革新的なモデルであるTAFM-Netを開発する。提案モデルでは,空間およびチャネル関連サリエンシを高めるためにTAを利用するEfficientNetV2B1エンコーダを,密結合デコーダはスキップ接続内にFMを統合する。新しい動的損失関数アマルガメート領域と境界情報、効果的なモデルトレーニングの導出
論文参考訳（メタデータ） (2024-11-26T16:18:48Z)
KAN-Mamba FusionNet: Redefining Medical Image Segmentation with Non-Linear Modeling [3.2971993272923443]
本研究では,KAN(Kolmogorov-Arnold Networks)とMamba層を組み合わせた医用画像分割手法を提案する。提案する Kan-Mamba FusionNet フレームワークは,コンボリューショナル並列トレーニングと自動回帰展開に注目駆動機構を統合することにより,画像セグメンテーションを改善する。
論文参考訳（メタデータ） (2024-11-18T09:19:16Z)
OCTAMamba: A State-Space Model Approach for Precision OCTA Vasculature Segmentation [10.365417594185685]
そこで我々は,OCTAMambaを提案する。OCTAMambaはOCTAMambaアーキテクチャをベースとした新しいU字型ネットワークで,OCTA内の血管を正確に分割する。 OCTAMambaは、局所的な特徴抽出のためのQuad Stream Efficient Mining Embedding Module、マルチスケールDilated Asymmetric Convolution ModuleをキャプチャするMulti-Scale Dilated Convolution Module、ノイズをフィルタリングしターゲット領域をハイライトするFocused Feature Recalibration Moduleを統合している。本手法は,線形複雑度を維持しつつ,効率的なグローバルモデリングと局所特徴抽出を実現し,低計算医療応用に適している。
論文参考訳（メタデータ） (2024-09-12T12:47:34Z)
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)
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文参考訳（メタデータ） (2023-07-19T15:19:02Z)
Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。 Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
論文参考訳（メタデータ） (2023-05-29T15:51:31Z)
LCAUnet: A skin lesion segmentation network with enhanced edge and body fusion [4.819821513256158]
LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
論文参考訳（メタデータ） (2023-05-01T14:05:53Z)
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)
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)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。