論文の概要: Spectral U-Net: Enhancing Medical Image Segmentation via Spectral Decomposition

• arxiv url: http://arxiv.org/abs/2409.09216v1
• Date: Fri, 13 Sep 2024 22:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 21:49:17.313818
• Title: Spectral U-Net: Enhancing Medical Image Segmentation via Spectral Decomposition
• Title（参考訳）: スペクトルU-Net:スペクトル分解による医用画像分割の強化
• Authors: Yaopeng Peng, Milan Sonka, Danny Z. Chen,
• Abstract要約: 本稿ではスペクトル分解に基づく新しい深層学習ネットワークであるSpectral U-Netを紹介する。 我々は、ダウンサンプリングにDual Tree Complex Wavelet Transform (DTCWT) 、アップサンプリングには逆Dual Tree Complex Wavelet Transform (iDTCWT) を利用する。 U-Netアーキテクチャに組み込まれたWave-BlockとiWave-Blockは、ダウンサンプリング時の情報損失を軽減し、アップサンプリング時の詳細再構築を改善することを目的としている。
• 参考スコア（独自算出の注目度）: 14.450329809640422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Spectral U-Net, a novel deep learning network based on spectral decomposition, by exploiting Dual Tree Complex Wavelet Transform (DTCWT) for down-sampling and inverse Dual Tree Complex Wavelet Transform (iDTCWT) for up-sampling. We devise the corresponding Wave-Block and iWave-Block, integrated into the U-Net architecture, aiming at mitigating information loss during down-sampling and enhancing detail reconstruction during up-sampling. In the encoder, we first decompose the feature map into high and low-frequency components using DTCWT, enabling down-sampling while mitigating information loss. In the decoder, we utilize iDTCWT to reconstruct higher-resolution feature maps from down-sampled features. Evaluations on the Retina Fluid, Brain Tumor, and Liver Tumor segmentation datasets with the nnU-Net framework demonstrate the superiority of the proposed Spectral U-Net.
• Abstract（参考訳）: 本稿では,スペクトル分解に基づく新しい深層学習ネットワークであるSpectral U-Netを提案する。 U-Netアーキテクチャに組み込まれたWave-BlockとiWave-Blockは、ダウンサンプリング時の情報損失を軽減し、アップサンプリング時の詳細再構築を改善することを目的としている。 エンコーダでは、まずDTCWTを用いて特徴マップを高周波数成分と低周波数成分に分解し、情報損失を軽減しつつダウンサンプリングを可能にする。 デコーダでは、iDTCWTを用いて、ダウンサンプリング機能から高解像度機能マップを再構成する。 nU-Netフレームワークを用いた網膜流体,脳腫瘍,肝腫瘍セグメンテーションデータセットの評価は,提案したスペクトルU-Netの優位性を示す。

関連論文リスト

• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• More complex encoder is not all you need [0.882348769487259]
  我々は,強力なデコーダを構築するために,新しいサブピクセル・コンボリューションを組み込んだneU-Net(複雑なエンコーダではないU-Net)を導入する。 我々のモデル設計は、SynapseとACDCの両方のデータセット上で、最先端の手法を上回る優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-09-20T08:34:38Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• GAN-Based Multi-View Video Coding with Spatio-Temporal EPI Reconstruction [19.919826392704472]
  GAN(Generative Adrial Network)の画像生成機能を活用した新しい多視点ビデオ符号化手法を提案する。 エンコーダでは,時空間平面画像(EPI)デコーダを構築し,さらに畳み込みネットワークを用いてGANの潜時符号をサイド情報(SI)として抽出する。 側面では、SIと隣接する視点を組み合わせて、GANジェネレータを用いて中間ビューを再構築する。
  論文  参考訳（メタデータ） (2022-05-07T08:52:54Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• End-to-End JPEG Decoding and Artifacts Suppression Using Heterogeneous Residual Convolutional Neural Network [0.0]
  既存のディープラーニングモデルは、デコードプロトコルからJPEGアーティファクトを独立したタスクとして分離する。 我々は、スペクトル分解とヘテロジニアス再構成機構を備えた真のエンド・ツー・エンドヘテロジニアス残畳み込みニューラルネットワーク(HR-CNN)を設計する。
  論文  参考訳（メタデータ） (2020-07-01T17:44:00Z)
• Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
  我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。 VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
  論文  参考訳（メタデータ） (2020-05-07T09:10:41Z)
• Time-Domain Audio Source Separation Based on Wave-U-Net Combined with Discrete Wavelet Transform [34.05660769694652]
  離散ウェーブレット変換(DWT)に基づく時間領域音源分離手法を提案する。 提案手法は、最先端のディープニューラルネットワークであるWave-U-Netに基づいている。
  論文  参考訳（メタデータ） (2020-01-28T06:43:21Z)

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。