論文の概要: RotCAtt-TransUNet++: Novel Deep Neural Network for Sophisticated Cardiac Segmentation
- arxiv url: http://arxiv.org/abs/2409.05280v1
- Date: Mon, 9 Sep 2024 02:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 16:00:52.365974
- Title: RotCAtt-TransUNet++: Novel Deep Neural Network for Sophisticated Cardiac Segmentation
- Title(参考訳): RotCAtt-TransUNet++: 高度心分離のための新しいディープニューラルネットワーク
- Authors: Quoc-Bao Nguyen-Le, Tuan-Hy Le, Anh-Triet Do, Quoc-Huy Trinh,
- Abstract要約: 本稿では,複雑心構造の堅牢なセグメンテーションを目的とした新しいアーキテクチャであるRotCAtt-TransUNet++を紹介する。
提案手法は,マルチスケール機能アグリゲーションとエンコーダ内のネストスキップ接続により,グローバルなコンテキストモデリングを強化する。
複数のデータセットにまたがる実験結果は、現在の手法よりも優れた性能を示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular disease is a major global health concern, contributing significantly to global mortality. Accurately segmenting cardiac medical imaging data is crucial for reducing fatality rates associated with these conditions. However, current state-of-the-art (SOTA) neural networks, including CNN-based and Transformer-based approaches, face challenges in capturing both inter-slice connections and intra-slice details, especially in datasets featuring intricate, long-range details along the z-axis like coronary arteries. Existing methods also struggle with differentiating non-cardiac components from the myocardium, resulting in segmentation inaccuracies and the "spraying" phenomenon. To address these issues, we introduce RotCAtt-TransUNet++, a novel architecture designed for robust segmentation of intricate cardiac structures. Our approach enhances global context modeling through multiscale feature aggregation and nested skip connections in the encoder. Transformer layers facilitate capturing intra-slice interactions, while a rotatory attention mechanism handles inter-slice connectivity. A channel-wise cross-attention gate integrates multiscale information and decoder features, effectively bridging semantic gaps. Experimental results across multiple datasets demonstrate superior performance over current methods, achieving near-perfect annotation of coronary arteries and myocardium. Ablation studies confirm that our rotatory attention mechanism significantly improves segmentation accuracy by transforming embedded vectorized patches in semantic dimensional space.
- Abstract(参考訳): 心臓血管疾患は世界的な健康上の問題であり、世界的死亡率に大きく寄与している。
これらの疾患に伴う死亡率の低減には, 心臓画像データの正確なセグメンテーションが不可欠である。
しかしながら、CNNベースのアプローチやTransformerベースのアプローチを含む現在の最先端(SOTA)ニューラルネットワークは、特に冠状動脈のようなz軸に沿った複雑な長距離の詳細を含むデータセットにおいて、スライス間接続とスライス内詳細の両方をキャプチャする際の課題に直面している。
既存の方法はまた、心筋からの非心筋成分の識別に苦慮し、セグメンテーションの不正確さと「スプレーディング」現象をもたらす。
これらの問題に対処するために,複雑心構造の堅牢なセグメンテーションのために設計された新しいアーキテクチャであるRotCAtt-TransUNet++を紹介する。
提案手法は,マルチスケール機能アグリゲーションとエンコーダ内のネストスキップ接続により,グローバルなコンテキストモデリングを強化する。
トランスフォーマー層はスライス内相互作用のキャプチャを容易にし、回転アテンション機構はスライス間接続を処理する。
チャネルワイドのクロスアテンションゲートは、マルチスケール情報とデコーダ機能を統合し、セマンティックギャップを効果的にブリッジする。
複数のデータセットにまたがる実験結果から, 冠状動脈と心筋のほぼ完全なアノテーションが得られた。
アブレーション研究により,我々の回転注意機構は,意味次元空間に埋め込まれたベクトル化されたパッチを変換することにより,セグメンテーションの精度を著しく向上することが確認された。
関連論文リスト
- AGFA-Net: Attention-Guided and Feature-Aggregated Network for Coronary Artery Segmentation using Computed Tomography Angiography [5.583495103569884]
CCTA画像を用いた冠動脈セグメンテーションのための注意誘導型3Dディープネットワーク(AGFA-Net)を提案する。
AGFA-Netは注意機構と機能改善モジュールを活用して、有能な特徴を捉え、セグメンテーションの精度を高める。
1000個のCCTAスキャンからなるデータセットの評価はAGFA-Netの優れた性能を示し、平均Dice係数は86.74%、ハウスドルフ距離は0.23mmである。
論文 参考訳(メタデータ) (2024-06-13T01:04:47Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳(メタデータ) (2024-01-11T19:07:58Z) - CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。
低と高のセマンティクスを組み合わせるために,注意機構を適用した。
このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
論文 参考訳(メタデータ) (2023-11-16T22:31:05Z) - Unlocking Fine-Grained Details with Wavelet-based High-Frequency
Enhancement in Transformers [4.208461204572879]
医用画像のセグメンテーションは、診断、治療計画、疾患モニタリングにおいて重要な役割を担っている。
本稿では,自己注意マップを慎重に再設計することで,トランスフォーマーモデルの局所的特徴不足に対処する。
そこで本研究では,マルチスケールのコンテキスト拡張ブロックをスキップ接続内で提案し,スケール間の依存関係を適応的にモデル化する。
論文 参考訳(メタデータ) (2023-08-25T15:42:19Z) - GAEI-UNet: Global Attention and Elastic Interaction U-Net for Vessel
Image Segmentation [0.0]
血管画像のセグメンテーションは、血管疾患の早期発見と治療を支援する医療診断において重要な役割を担っている。
本稿では,グローバルアテンションと弾性相互作用に基づく手法を組み合わせた新しいモデルGAEI-UNetを提案する。
ターゲット形状と予測形状のずれによって生じる力を捕捉することにより,本モデルでは,容器ネットワークの正確なトポロジを効果的に学習する。
論文 参考訳(メタデータ) (2023-08-16T13:10:32Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - 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) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳(メタデータ) (2022-01-04T02:35:56Z) - Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。
これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。
形状と境界認識機能を利用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2021-05-27T13:54:59Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z)
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。