論文の概要: RotCAtt-TransUNet++: Novel Deep Neural Network for Sophisticated Cardiac Segmentation

• arxiv url: http://arxiv.org/abs/2409.05280v2
• Date: Wed, 23 Oct 2024 04:41:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 22:38:45.438427
• 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、複雑な心構造の堅牢なセグメンテーションに適した新しいアーキテクチャであるRotCAtt-TransUNet++を提案する。 提案手法では,エンコーダ内のネストスキップ接続でマルチスケール機能を集約することで,グローバルコンテキストのモデリングを強調する。 実験の結果,提案モデルでは,4つの心的データセットと1つの腹部的データセットにまたがる既存のSOTAアプローチよりも優れていた。
• 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 remains a predominant global health concern, responsible for a significant portion of mortality worldwide. Accurate segmentation of cardiac medical imaging data is pivotal in mitigating fatality rates associated with cardiovascular conditions. However, existing state-of-the-art (SOTA) neural networks, including both CNN-based and Transformer-based approaches, exhibit limitations in practical applicability due to their inability to effectively capture inter-slice connections alongside intra-slice information. This deficiency is particularly evident in datasets featuring intricate, long-range details along the z-axis, such as coronary arteries in axial views. Additionally, SOTA methods fail to differentiate non-cardiac components from myocardium in segmentation, leading to the "spraying" phenomenon. To address these challenges, we present RotCAtt-TransUNet++, a novel architecture tailored for robust segmentation of complex cardiac structures. Our approach emphasizes modeling global contexts by aggregating multiscale features with nested skip connections in the encoder. It integrates transformer layers to capture interactions between patches and employs a rotatory attention mechanism to capture connectivity between multiple slices (inter-slice information). Additionally, a channel-wise cross-attention gate guides the fused multi-scale channel-wise information and features from decoder stages to bridge semantic gaps. Experimental results demonstrate that our proposed model outperforms existing SOTA approaches across four cardiac datasets and one abdominal dataset. Importantly, coronary arteries and myocardium are annotated with near-perfect accuracy during inference. An ablation study shows that the rotatory attention mechanism effectively transforms embedded vectorized patches in the semantic dimensional space, enhancing segmentation accuracy.
• Abstract（参考訳）: 心臓血管疾患は依然として世界的な健康上の問題であり、世界の死亡率のかなりの部分を占めている。 心臓画像データの正確なセグメンテーションは、心血管疾患に伴う死亡率の軽減に重要である。 しかし、CNNベースのアプローチとTransformerベースのアプローチを含む既存の最先端(SOTA)ニューラルネットワークは、スライス内情報とともにスライス間接続を効果的にキャプチャできないため、実用性に限界がある。 この欠損は、軸方向の冠動脈など、z軸に沿った複雑な長距離の詳細を特徴とするデータセットで特に顕著である。 さらに、SOTA法は心筋のセグメンテーションと非心筋成分の区別に失敗し、「スライディング」現象へと繋がる。 これらの課題に対処するために、複雑な心構造の堅牢なセグメンテーションに適した新しいアーキテクチャであるRotCAtt-TransUNet++を提案する。 提案手法では,エンコーダ内のネストスキップ接続でマルチスケール機能を集約することで,グローバルコンテキストのモデリングを強調する。 トランスフォーマー層を統合してパッチ間のインタラクションをキャプチャし、ロータリーアテンション機構を使用して複数のスライス間の接続(インタースライス情報)をキャプチャする。 さらに、チャネルワイドのクロスアテンションゲートは、融合したマルチスケールのチャネルワイド情報とデコーダステージからブリッジセマンティックギャップへ特徴を導く。 実験の結果,提案モデルでは,4つの心的データセットと1つの腹部的データセットにまたがる既存のSOTAアプローチよりも優れていた。 重要なことは、冠状動脈と心筋は、推論中にほぼ完全な精度でアノテートされることである。 アブレーション研究では、回転注意機構が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効果的に変換し、セグメンテーション精度を高めることが示されている。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• 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)
• 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)
• 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)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Echocardiography Segmentation with Enforced Temporal Consistency [10.652677452009627]
  本研究では,2次元以上の長軸心形態を学習するための枠組みを提案する。 心臓の不整合の同定と補正は、生理的に解釈可能な心臓形状の埋め込みを学ぶために訓練された拘束されたオートエンコーダに依存している。
  論文  参考訳（メタデータ） (2021-12-03T16:09:32Z)
• 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)

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。