Fugu-MT 論文翻訳(概要): Multi-dimension Transformer with Attention-based Filtering for Medical Image Segmentation

論文の概要: Multi-dimension Transformer with Attention-based Filtering for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2405.12328v1
Date: Mon, 20 May 2024 18:52:41 GMT
ステータス: 処理完了
システム内更新日: 2024-05-22 15:07:24.255623
Title: Multi-dimension Transformer with Attention-based Filtering for Medical Image Segmentation
Title（参考訳）: 医用画像分割のためのアテンションベースフィルタを用いた多次元変換器
Authors: Wentao Wang, Xi Xiao, Mingjie Liu, Qing Tian, Xuanyao Huang, Qizhen Lan, Swalpa Kumar Roy, Tianyang Wang,
Abstract要約: 医用画像セグメンテーションのためのアテンションベースフィルタ(MDT-AF)を用いた多次元変換器を提案する。 MDT-AFは、注意に基づく特徴フィルタリング機構をパッチ埋め込みブロックに組み込んでおり、低信号対雑音比の影響を軽減するために粗粒度プロセスを採用している。 3つの公開医用画像セグメンテーションベンチマークによる実験結果から, MDT-AFがSOTA(State-of-the-art)の性能を達成することが示された。
参考スコア（独自算出の注目度）: 16.491730188616323
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The accurate segmentation of medical images is crucial for diagnosing and treating diseases. Recent studies demonstrate that vision transformer-based methods have significantly improved performance in medical image segmentation, primarily due to their superior ability to establish global relationships among features and adaptability to various inputs. However, these methods struggle with the low signal-to-noise ratio inherent to medical images. Additionally, the effective utilization of channel and spatial information, which are essential for medical image segmentation, is limited by the representation capacity of self-attention. To address these challenges, we propose a multi-dimension transformer with attention-based filtering (MDT-AF), which redesigns the patch embedding and self-attention mechanism for medical image segmentation. MDT-AF incorporates an attention-based feature filtering mechanism into the patch embedding blocks and employs a coarse-to-fine process to mitigate the impact of low signal-to-noise ratio. To better capture complex structures in medical images, MDT-AF extends the self-attention mechanism to incorporate spatial and channel dimensions, enriching feature representation. Moreover, we introduce an interaction mechanism to improve the feature aggregation between spatial and channel dimensions. Experimental results on three public medical image segmentation benchmarks show that MDT-AF achieves state-of-the-art (SOTA) performance.
Abstract（参考訳）: 医療画像の正確なセグメンテーションは、疾患の診断と治療に不可欠である。近年の研究では、視覚トランスフォーマーに基づく手法は、特徴間のグローバルな関係を確立する能力と様々な入力への適応性により、医用画像セグメンテーションの性能が著しく向上したことが示されている。しかし,これらの手法は,医用画像固有の低信号-雑音比に苦慮している。また, 医用画像のセグメンテーションに不可欠なチャネル情報と空間情報の有効利用は, 自己注意の表現能力によって制限される。これらの課題に対処するために,医療画像セグメンテーションのためのパッチ埋め込みと自己保持機構を再設計する,アテンションベースフィルタリング(MDT-AF)を備えたマルチ次元トランスフォーマーを提案する。 MDT-AFは、注意に基づく特徴フィルタリング機構をパッチ埋め込みブロックに組み込んでおり、低信号対雑音比の影響を軽減するために粗粒度プロセスを採用している。医用画像の複雑な構造をよりよく捉えるために、MDT-AFは自己認識機構を拡張し、空間次元とチャネル次元を取り入れ、特徴表現を豊かにする。さらに,空間次元とチャネル次元の特徴集約を改善するための相互作用機構を導入する。 3つの公開医用画像セグメンテーションベンチマークによる実験結果から, MDT-AFがSOTA(State-of-the-art)の性能を達成することが示された。

関連論文リスト

Dual-Attention Frequency Fusion at Multi-Scale for Joint Segmentation and Deformable Medical Image Registration [2.6089354079273512]
二重注意周波数融合(DAFF-Net)に基づくマルチタスク学習フレームワークを提案する。 DAFF-Netは、単一ステップ推定において、セグメンテーションマスクと密度変形場を同時に達成する。 3つのパブリックな3次元脳磁気共鳴画像(MRI)データセットの実験により、提案されたDAFF-Netとその教師なし変種は、最先端の登録方法より優れていることが示された。
論文参考訳（メタデータ） (2024-09-29T11:11:04Z)
Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文参考訳（メタデータ） (2024-08-01T07:35:54Z)
Hierarchical SegNet with Channel and Context Attention for Accurate Lung Segmentation in Chest X-ray Images [0.40964539027092917]
胸部X線像における肺セグメンテーションは、様々な肺疾患の正確な診断と治療を可能にする医療画像解析において重要な課題である。本稿では,階層型セグネットとマルチモーダルアテンション機構を組み合わせた肺セグメンテーション手法を提案する。実験により,本手法は肺分画作業における最先端性能を達成し,既存手法より優れていたことを示す。
論文参考訳（メタデータ） (2024-05-20T18:29:41Z)
A Novel Approach to Chest X-ray Lung Segmentation Using U-net and Modified Convolutional Block Attention Module [0.46040036610482665]
本稿では,胸部X線像におけるU-netと注意機構を統合した肺分画の新しいアプローチを提案する。提案手法は,CBAM(Convolutional Block Attention Module)を組み込むことで,U-netアーキテクチャを向上する。 CBAMとU-netアーキテクチャの採用は、医用画像の分野で大きな進歩を見せている。
論文参考訳（メタデータ） (2024-04-22T16:33:06Z)
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)
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文参考訳（メタデータ） (2023-01-19T03:42:36Z)
Large-Kernel Attention for 3D Medical Image Segmentation [14.76728117630242]
本稿では,多臓器分割と腫瘍分割を正確に行うために,新しいLKアテンションモジュールを提案する。畳み込みと自己注意の利点は、局所的な文脈情報、長距離依存、チャネル適応を含むLKアテンションモジュールで組み合わせられる。モジュールはまた、計算コストを最適化するためにLK畳み込みを分解し、U-NetのようなFCNに簡単に組み込むことができる。
論文参考訳（メタデータ） (2022-07-19T16:32:55Z)
Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文参考訳（メタデータ） (2022-04-08T07:56:55Z)
Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文参考訳（メタデータ） (2021-10-11T07:13:26Z)
Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文参考訳（メタデータ） (2020-05-05T11:08:26Z)
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。