論文の概要: KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation

• arxiv url: http://arxiv.org/abs/2410.02808v1
• Date: Thu, 19 Sep 2024 14:21:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-03 05:44:23.546140
• Title: KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation
• Title（参考訳）: KLDD:カルマンフィルタを用いた網膜画像分割における線形変形性拡散モデル
• Authors: Zhihao Zhao, Yinzheng Zhao, Junjie Yang, Kai Huang, Nassir Navab, M. Ali Nasseri,
• Abstract要約: 本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
• 参考スコア（独自算出の注目度）: 51.03868117057726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based vascular segmentation is becoming increasingly common in enhancing the screening and treatment of ophthalmic diseases. Deep learning structures based on U-Net have achieved relatively good performance in vascular segmentation. However, small blood vessels and capillaries tend to be lost during segmentation when passed through the traditional U-Net downsampling module. To address this gap, this paper proposes a novel Kalman filter based Linear Deformable Diffusion (KLDD) model for retinal vessel segmentation. Our model employs a diffusion process that iteratively refines the segmentation, leveraging the flexible receptive fields of deformable convolutions in feature extraction modules to adapt to the detailed tubular vascular structures. More specifically, we first employ a feature extractor with linear deformable convolution to capture vascular structure information form the input images. To better optimize the coordinate positions of deformable convolution, we employ the Kalman filter to enhance the perception of vascular structures in linear deformable convolution. Subsequently, the features of the vascular structures extracted are utilized as a conditioning element within a diffusion model by the Cross-Attention Aggregation module (CAAM) and the Channel-wise Soft Attention module (CSAM). These aggregations are designed to enhance the diffusion model's capability to generate vascular structures. Experiments are evaluated on retinal fundus image datasets (DRIVE, CHASE_DB1) as well as the 3mm and 6mm of the OCTA-500 dataset, and the results show that the diffusion model proposed in this paper outperforms other methods.
• Abstract（参考訳）: AIに基づく血管セグメンテーションは、眼疾患のスクリーニングと治療の強化において、ますます一般的になりつつある。 U-Netに基づくディープラーニング構造は,血管セグメンテーションにおいて比較的優れた性能を発揮する。 しかしながら、小さな血管と毛細血管は、従来のU-Netダウンサンプリングモジュールを通過すると、セグメンテーション中に失われる傾向にある。 そこで本研究では,網膜血管分割のためのKLDDモデルを提案する。 本モデルでは, 細管状血管構造に適応するために, 変形可能なコンボリューションの柔軟な受容場を利用して, セグメンテーションを反復的に洗練する拡散過程を用いる。 具体的には、まず、線形変形可能な畳み込みを有する特徴抽出器を用いて、入力画像の血管構造情報をキャプチャする。 変形可能な畳み込みの座標位置を最適化するために,線形変形可能な畳み込みにおける血管構造の知覚を高めるためにカルマンフィルタを用いる。 その後、CSAM(Channel-wise Soft Attention Module)およびCAAM(Channel-wise Soft Attention Module)により、血管構造の特徴を拡散モデル内の条件付け要素として利用する。 これらのアグリゲーションは、血管構造を生成する拡散モデルの能力を高めるように設計されている。 眼底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mmおよび6mmで実験を行い,本論文で提案した拡散モデルが他の手法よりも優れていることを示した。

関連論文リスト

• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• OCTAMamba: A State-Space Model Approach for Precision OCTA Vasculature Segmentation [10.365417594185685]
  そこで我々は,OCTAMambaを提案する。OCTAMambaはOCTAMambaアーキテクチャをベースとした新しいU字型ネットワークで,OCTA内の血管を正確に分割する。 OCTAMambaは、局所的な特徴抽出のためのQuad Stream Efficient Mining Embedding Module、マルチスケールDilated Asymmetric Convolution ModuleをキャプチャするMulti-Scale Dilated Convolution Module、ノイズをフィルタリングしターゲット領域をハイライトするFocused Feature Recalibration Moduleを統合している。 本手法は,線形複雑度を維持しつつ,効率的なグローバルモデリングと局所特徴抽出を実現し,低計算医療応用に適している。
  論文  参考訳（メタデータ） (2024-09-12T12:47:34Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Snake with Shifted Window: Learning to Adapt Vessel Pattern for OCTA Segmentation [2.314516220934268]
  本研究では, 管状構造に適した変形可能な畳み込みと, 大域的特徴抽出のためのスウィン変換器を併用したSSW-OCTAモデルを提案する。 我々のモデルはOCTA-500データセットのテストと比較を行い、最先端のパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2024-04-28T07:01:55Z)
• Diffusion Adversarial Representation Learning for Self-supervised Vessel Segmentation [36.65094442100924]
  医療画像における血管分割は血管疾患の診断と治療計画において重要な課題の1つである。 本稿では,拡散確率モデルと逆学習を併用した新しい拡散逆表現学習(DARL)モデルを提案する。 本手法は血管セグメンテーションにおいて,既存の教師なし・自己教師付き手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T06:06:15Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Modeling and hexahedral meshing of cerebral arterial networks from centerlines [0.0]
  中心線に基づく表現は、小さな血管を持つ大きな血管ネットワークをモデル化するために広く用いられている。 中心線からCFDに適した構造を持つヘキサヘドラルメッシュを自動生成する手法を提案する。 我々は60の脳血管ネットワークのデータセットを網羅し,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-01-20T16:30:17Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)

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。