Fugu-MT 論文翻訳(概要): MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation

論文の概要: MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation

arxiv url: http://arxiv.org/abs/2405.15925v1
Date: Fri, 24 May 2024 20:33:59 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 01:58:51.365552
Title: MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation
Title（参考訳）: MUCM-Net:皮膚損傷セグメンテーションのためのマンバパワーUCM-Net
Authors: Chunyu Yuan, Dongfang Zhao, Sos S. Agaian,
Abstract要約: 皮膚病変のセグメンテーションは早期皮膚がん検出の鍵となる。 CNNやU-Netといったディープラーニング手法は、これらの問題に対処する上で有望であることを示している。本稿では,Mamba State-Space ModelsとUCM-Netアーキテクチャを組み合わせたMUCM-Netを提案する。
参考スコア（独自算出の注目度）: 4.7894373545842805
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Skin lesion segmentation is key for early skin cancer detection. Challenges in automatic segmentation from dermoscopic images include variations in color, texture, and artifacts of indistinct lesion boundaries. Deep learning methods like CNNs and U-Net have shown promise in addressing these issues. To further aid early diagnosis, especially on mobile devices with limited computing power, we present MUCM-Net. This efficient model combines Mamba State-Space Models with our UCM-Net architecture for improved feature learning and segmentation. MUCM-Net's Mamba-UCM Layer is optimized for mobile deployment, offering high accuracy with low computational needs. Tested on ISIC datasets, it outperforms other methods in accuracy and computational efficiency, making it a scalable tool for early detection in settings with limited resources. Our MUCM-Net source code is available for research and collaboration, supporting advances in mobile health diagnostics and the fight against skin cancer. In order to facilitate accessibility and further research in the field, the MUCM-Net source code is https://github.com/chunyuyuan/MUCM-Net
Abstract（参考訳）: 皮膚病変のセグメンテーションは早期皮膚がん検出の鍵となる。皮膚内視鏡画像からの自動セグメンテーションの課題は、色、テクスチャ、および不明瞭な病変境界のアーティファクトのバリエーションである。 CNNやU-Netといったディープラーニング手法は、これらの問題に対処する上で有望であることを示している。コンピュータ能力に限界があるモバイルデバイスにおいて早期診断をさらに支援するため,MUCM-Netを提案する。この効率的なモデルは、機能学習とセグメンテーションを改善するために、Mamba State-Space ModelsとUCM-Netアーキテクチャを組み合わせたものです。 MUCM-NetのMamba-UCM Layerはモバイルデプロイメントに最適化されており、計算能力の低い高い精度を提供する。 ISICデータセットでテストされ、他の手法よりも精度と計算効率が優れており、限られたリソースで設定を早期に検出するためのスケーラブルなツールである。 MUCM-Netのソースコードは研究とコラボレーションに利用でき、モバイル健康診断の進歩と皮膚がんとの闘いを支援している。 MUCM-Net のソースコードは https://github.com/chunyuyuan/MUCM-Net である。

関連論文リスト

MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
論文参考訳（メタデータ） (2024-11-04T09:03:43Z)
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)
BetterNet: An Efficient CNN Architecture with Residual Learning and Attention for Precision Polyp Segmentation [0.6062751776009752]
本研究では,ポリプセグメンテーションの精度を高めるために,残差学習と注意法を組み合わせた畳み込みニューラルネットワークアーキテクチャであるBetterNetを提案する。 BetterNetは、ポリープの検出と癌の早期認識を強化するために、コンピュータ支援診断技術を統合することを約束している。
論文参考訳（メタデータ） (2024-05-05T21:08:49Z)
CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。 LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
論文参考訳（メタデータ） (2024-02-16T06:57:03Z)
UCM-Net: A Lightweight and Efficient Solution for Skin Lesion Segmentation using MLP and CNN [4.7894373545842805]
UCM-NetはMulti-Layer Perceptrons(MLP)とConvolutional Neural Networks(CNN)を組み合わせた新しい皮膚病変セグメンテーションモデルである 50KB未満のパラメータで堅牢なパフォーマンスを示し、1秒あたり0.05ギガ操作(GLOP)を必要としない。これは皮膚病変のセグメンテーションの効率性の潜在的なベンチマークであり、資源制約された設定での展開に適している。
論文参考訳（メタデータ） (2023-10-14T00:32:11Z)
Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文参考訳（メタデータ） (2023-10-06T10:40:46Z)
Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。 LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。 GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
論文参考訳（メタデータ） (2023-01-12T04:06:44Z)
MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation [28.656853454251426]
本研究は,皮膚病変の制御のための人工知能(AI)フレームワークを開発する。 MFSNetは3つの公開データセットで評価され、最先端の手法よりも優れている。
論文参考訳（メタデータ） (2022-03-27T16:10:40Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。