論文の概要: SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2409.08652v1
- Date: Fri, 13 Sep 2024 09:11:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 17:08:51.624399
- Title: SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation
- Title（参考訳）: SkinFormer: 皮膚病変セグメンテーションのための変換器を用いた統計的テクスチャ表現の学習
- Authors: Rongtao Xu, Changwei Wang, Jiguang Zhang, Shibiao Xu, Weiliang Meng, Xiaopeng Zhang,
- Abstract要約: 我々は,textbfSkinの病変セグメント化のための統計的テクスチャ表現を効率的に抽出し,融合するtranstextbfFormerネットワーク(textbfSkinFormer)を提案する。
我々は,クルトーシス誘導型統計計数演算子の助けを借りて,統計テクスチュアフュージョン変換器と統計テクスチュアエンハンス変換器を提案する。
本手法はISIC 2018で93.2%のDiceスコアを達成した。
- 参考スコア（独自算出の注目度）: 22.03706891578443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate skin lesion segmentation from dermoscopic images is of great importance for skin cancer diagnosis. However, automatic segmentation of melanoma remains a challenging task because it is difficult to incorporate useful texture representations into the learning process. Texture representations are not only related to the local structural information learned by CNN, but also include the global statistical texture information of the input image. In this paper, we propose a trans\textbf{Former} network (\textbf{SkinFormer}) that efficiently extracts and fuses statistical texture representation for \textbf{Skin} lesion segmentation. Specifically, to quantify the statistical texture of input features, a Kurtosis-guided Statistical Counting Operator is designed. We propose Statistical Texture Fusion Transformer and Statistical Texture Enhance Transformer with the help of Kurtosis-guided Statistical Counting Operator by utilizing the transformer's global attention mechanism. The former fuses structural texture information and statistical texture information, and the latter enhances the statistical texture of multi-scale features. {Extensive experiments on three publicly available skin lesion datasets validate that our SkinFormer outperforms other SOAT methods, and our method achieves 93.2\% Dice score on ISIC 2018. It can be easy to extend SkinFormer to segment 3D images in the future.} Our code is available at https://github.com/Rongtao-Xu/SkinFormer.
- Abstract（参考訳）: 皮膚内視鏡像からの皮膚病変の正確な分画は,皮膚癌診断において極めて重要である。
しかし,メラノーマの自動セグメンテーションは有用なテクスチャ表現を学習プロセスに組み込むのが難しいため,依然として難しい課題である。
テクスチャ表現は、CNNが学習した局所構造情報だけでなく、入力画像のグローバルな統計テクスチャ情報も含んでいる。
本稿では, 統計的テクスチャ表現を効率的に抽出し, 融合する Trans\textbf{Former} ネットワーク (\textbf{SkinFormer}) を提案する。
具体的には、入力特徴の統計的テクスチャを定量化するために、クルトーシス誘導統計計数演算子を設計する。
我々は,この変換器のグローバルアテンション機構を利用して,クルトーシス誘導型統計計数演算子の助けを借りて,統計テクスチュアフュージョン変換器と統計テクスチュアエンハンス変換器を提案する。
前者は構造的テクスチャ情報と統計的テクスチャ情報を融合し、後者はマルチスケール特徴の統計的テクスチャを強化する。
2) SkinFormerが他のSOATメソッドよりも優れており,本手法はISIC 2018で93.2\%のDiceスコアを達成している。
将来、SkinFormerを3Dイメージのセグメントに拡張するのは簡単です。
私たちのコードはhttps://github.com/Rongtao-Xu/SkinFormer.comで利用可能です。
関連論文リスト
- The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - AViT: Adapting Vision Transformers for Small Skin Lesion Segmentation Datasets [19.44142290594537]
AViTは、トレーニング済みのViTをSLSタスクに転送することで、ViTのデータハンガーを緩和する新しい戦略である。
AViTはSOTAよりも競争力があり、時には優れているが、訓練可能なパラメータは大幅に少ない。
論文 参考訳（メタデータ） (2023-07-26T01:44:31Z) - Robust T-Loss for Medical Image Segmentation [56.524774292536264]
本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。
提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。
実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
論文 参考訳（メタデータ） (2023-06-01T14:49:40Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - Dynamic Linear Transformer for 3D Biomedical Image Segmentation [2.440109381823186]
トランスフォーマーベースのニューラルネットワークは、多くのバイオメディカルイメージセグメンテーションタスクにおいて、有望なパフォーマンスを上回っている。
3次元トランスを用いた分割法の主な課題は、自己認識機構によって引き起こされる二次的複雑性である。
本稿では,エンコーダ・デコーダ方式の線形複雑化を用いた3次元医用画像分割のためのトランスフォーマアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-06-01T21:15:01Z) - Color Invariant Skin Segmentation [17.501659517108884]
本稿では,カラー情報に頼らずに画像中の皮膚を自動的に検出する問題に対処する。
この研究の主な動機は、皮膚のトーン全体にわたって一貫性のある結果を達成することである。
我々はそのような情報がない場合によく機能する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-21T05:07:21Z) - Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。
バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文 参考訳（メタデータ） (2022-04-21T01:32:22Z) - Learning Statistical Texture for Semantic Segmentation [53.7443670431132]
セマンティックセグメンテーションのための新しい統計テクスチャ学習ネットワーク(STLNet)を提案する。
STLNetは、初めて低レベルの情報の分布を分析し、それらをタスクに効率的に活用する。
1)テクスチャ関連情報を捕捉し,テクスチャの詳細を強化するためのテクスチャエンハンスモジュール(TEM),(2)ピラミッドテクスチャ特徴抽出モジュール(PTFEM)の2つのモジュールを導入し,複数のスケールから統計的テクスチャ特徴を効果的に抽出する。
論文 参考訳（メタデータ） (2021-03-06T15:05:35Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-03-04T13:34:22Z) - Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and
Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。
提案手法は皮膚病変分節の精度を向上させるのに役立つ。
以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文 参考訳（メタデータ） (2020-12-28T14:43:04Z)
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。