論文の概要: D2-MLP: Dynamic Decomposed MLP Mixer for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2409.08905v1
• Date: Fri, 13 Sep 2024 15:16:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 16:09:45.253392
• Title: D2-MLP: Dynamic Decomposed MLP Mixer for Medical Image Segmentation
• Title（参考訳）: D2-MLP: 医用画像分割用動的分解型MLPミキサ
• Authors: Jin Yang, Xiaobing Yu, Peijie Qiu,
• Abstract要約: 畳み込みニューラルネットワークは医療画像の様々なセグメンテーションタスクで広く利用されている。 畳み込み操作の本質的な局所性のため、グローバルな特徴を適応的に学習することが課題となっている。 これらの制約に対処する新しい動的分解ミキサーモジュールを提案する。
• 参考スコア（独自算出の注目度）: 12.470164287197454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks are widely used in various segmentation tasks in medical images. However, they are challenged to learn global features adaptively due to the inherent locality of convolutional operations. In contrast, MLP Mixers are proposed as a backbone to learn global information across channels with low complexity. However, they cannot capture spatial features efficiently. Additionally, they lack effective mechanisms to fuse and mix features adaptively. To tackle these limitations, we propose a novel Dynamic Decomposed Mixer module. It is designed to employ novel Mixers to extract features and aggregate information across different spatial locations and channels. Additionally, it employs novel dynamic mixing mechanisms to model inter-dependencies between channel and spatial feature representations and to fuse them adaptively. Subsequently, we incorporate it into a U-shaped Transformer-based architecture to generate a novel network, termed the Dynamic Decomposed MLP Mixer. We evaluated it for medical image segmentation on two datasets, and it achieved superior segmentation performance than other state-of-the-art methods.
• Abstract（参考訳）: 畳み込みニューラルネットワークは医療画像の様々なセグメンテーションタスクで広く利用されている。 しかし、畳み込み操作の本質的な局所性のため、グローバルな特徴を適応的に学習することが課題となっている。 対照的に、MLP Mixersは、複雑さの低いチャネル間でのグローバル情報学習のバックボーンとして提案されている。 しかし、空間的特徴を効率的に捉えることはできない。 さらに、これらには、機能の融合と混合を適応的に行う効果的なメカニズムが欠如している。 これらの制約に対処するため、新しいDynamic Decomposed Mixerモジュールを提案する。 斬新なミキサーを使って特徴を抽出し、異なる空間的な場所やチャンネルに情報を集約するように設計されている。 さらに、チャネルと空間的特徴表現間の依存性をモデル化し、それらを適応的に融合するために、新しい動的混合機構を用いる。 その後、U字型トランスフォーマーベースのアーキテクチャに組み込んで、動的分解型MLPミキサーと呼ばれる新しいネットワークを生成する。 2つのデータセットにおける医用画像のセグメンテーションとしての評価を行い、他の最先端手法よりも優れたセグメンテーション性能を得た。

関連論文リスト

• FIAS: Feature Imbalance-Aware Medical Image Segmentation with Dynamic Fusion and Mixing Attention [11.385231493066312]
  畳み込みニューラルネットワーク(CNN)とトランスフォーマーを組み合わせたハイブリッドアーキテクチャは、医療画像セグメンテーションにおける競争力を示している。 本稿では、デュアルパスエンコーダとMixAtt(MixAtt)デコーダを組み込んだフェール・インバランス・アウェア(FIAS)ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T20:30:44Z)
• Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
  本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。 このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
  論文  参考訳（メタデータ） (2024-08-05T08:35:59Z)
• I2I-Mamba: Multi-modal medical image synthesis via selective state space modeling [8.48392350084504]
  本稿では,医用画像合成のための新しい敵対モデルI2I-Mambaを提案する。 I2I-Mambaは、ターゲットモダリティ画像の合成における最先端CNNおよびトランスフォーマーベースの手法に対して優れた性能を提供する。
  論文  参考訳（メタデータ） (2024-05-22T21:55:58Z)
• A Multimodal Feature Distillation with CNN-Transformer Network for Brain Tumor Segmentation with Incomplete Modalities [15.841483814265592]
  本稿では,CNN-Transformer Hybrid Network (MCTSeg) を用いたマルチモーダル特徴蒸留法を提案する。 CNN-Transformer ネットワークと Transformer の畳み込みブロックを併用して提案するモジュールの重要性について検討した。
  論文  参考訳（メタデータ） (2024-04-22T09:33:44Z)
• Dimension Mixer: Group Mixing of Input Dimensions for Efficient Function Approximation [11.072628804821083]
  CNN、Transformers、Fourier-Mixersは、類似点と相違点を探す動機になりました。 これらのアーキテクチャは、一般的な次元混合の概念のレンズを通して解釈できることがわかった。 本研究では,グループワイズ,非線形,多層,学習可能な入力混合方式について検討し,それらが多くの標準的なニューラルネットワークアーキテクチャに相補的であることを明らかにする。
  論文  参考訳（メタデータ） (2023-11-30T17:30:45Z)
• 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)
• Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
  画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。 5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-24T03:50:37Z)
• Dual Aggregation Transformer for Image Super-Resolution [92.41781921611646]
  画像SRのための新しいトランスモデルDual Aggregation Transformerを提案する。 DATは、ブロック間およびブロック内二重方式で、空間次元とチャネル次元にまたがる特徴を集約する。 我々のDATは現在の手法を超越している。
  論文  参考訳（メタデータ） (2023-08-07T07:39:39Z)
• Semantic Labeling of High Resolution Images Using EfficientUNets and Transformers [5.177947445379688]
  畳み込みニューラルネットワークとディープトランスを組み合わせた新しいセグメンテーションモデルを提案する。 提案手法は,最先端技術と比較してセグメント化精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-20T12:03:54Z)
• EAN: Event Adaptive Network for Enhanced Action Recognition [66.81780707955852]
  本稿では,映像コンテンツの動的性質を調査するための統合された行動認識フレームワークを提案する。 まず、局所的な手がかりを抽出する際に、動的スケールの時空間カーネルを生成し、多様な事象を適応的に適合させる。 第2に、これらのキューを正確にグローバルなビデオ表現に集約するために、トランスフォーマーによって選択されたいくつかの前景オブジェクト間のインタラクションのみをマイニングすることを提案する。
  論文  参考訳（メタデータ） (2021-07-22T15:57:18Z)
• Mixup-Transformer: Dynamic Data Augmentation for NLP Tasks [75.69896269357005]
  Mixupは、入力例と対応するラベルを線形に補間する最新のデータ拡張技術である。 本稿では,自然言語処理タスクにmixupを適用する方法について検討する。 我々は、様々なNLPタスクに対して、mixup-transformerと呼ばれる、トランスフォーマーベースの事前学習アーキテクチャにmixupを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-05T23:37:30Z)

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。