論文の概要: FusionLungNet: Multi-scale Fusion Convolution with Refinement Network for Lung CT Image Segmentation

• arxiv url: http://arxiv.org/abs/2410.15812v1
• Date: Mon, 21 Oct 2024 09:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:50.183773
• Title: FusionLungNet: Multi-scale Fusion Convolution with Refinement Network for Lung CT Image Segmentation
• Title（参考訳）: FusionLungNet:肺CT画像分割のためのリファインメントネットワークを用いたマルチスケール核融合コンボリューション
• Authors: Sadjad Rezvani, Mansoor Fateh, Yeganeh Jalali, Amirreza Fateh,
• Abstract要約: 肺がんの早期発見は治療の成功率を高める。 新しい肺分画法は画像成分間の長距離関係の同定に困難に直面している。 本稿では,鍵成分を持つ多層構造を持つFusionLungNetネットワークを用いたハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 1.3124513975412255
• License:
• Abstract: Early detection of lung cancer is crucial as it increases the chances of successful treatment. Automatic lung image segmentation assists doctors in identifying diseases such as lung cancer, COVID-19, and respiratory disorders. However, lung segmentation is challenging due to overlapping features like vascular and bronchial structures, along with pixel-level fusion of brightness, color, and texture. New lung segmentation methods face difficulties in identifying long-range relationships between image components, reliance on convolution operations that may not capture all critical features, and the complex structures of the lungs. Furthermore, semantic gaps between feature maps can hinder the integration of relevant information, reducing model accuracy. Skip connections can also limit the decoder's access to complete information, resulting in partial information loss during encoding. To overcome these challenges, we propose a hybrid approach using the FusionLungNet network, which has a multi-level structure with key components, including the ResNet-50 encoder, Channel-wise Aggregation Attention (CAA) module, Multi-scale Feature Fusion (MFF) block, self refinement (SR) module, and multiple decoders. The refinement sub-network uses convolutional neural networks for image post-processing to improve quality. Our method employs a combination of loss functions, including SSIM, IOU, and focal loss, to optimize image reconstruction quality. We created and publicly released a new dataset for lung segmentation called LungSegDB, including 1800 CT images from the LIDC-IDRI dataset (dataset version 1) and 700 images from the Chest CT Cancer Images from Kaggle dataset (dataset version 2). Our method achieved an IOU score of 98.04, outperforming existing methods and demonstrating significant improvements in segmentation accuracy. https://github.com/sadjadrz/FusionLungNet
• Abstract（参考訳）: 肺がんの早期発見は、治療が成功する可能性を高めるために重要である。 自動肺イメージセグメンテーションは、肺がん、新型コロナウイルス、呼吸器疾患などの疾患を診断する医師を支援する。 しかし、肺の分画は、血管構造や気管支構造などの重なり合う特徴と、明るさ、色、テクスチャのピクセルレベルの融合によって困難である。 新しい肺分画法は、画像成分間の長距離関係、すべての重要な特徴を捉えない畳み込み操作への依存、および肺の複雑な構造を特定するのに困難に直面している。 さらに、特徴マップ間のセマンティックギャップは、関連する情報の統合を妨げ、モデルの精度を低下させる。 スキップ接続はまた、デコーダの完全な情報へのアクセスを制限することができ、符号化中に部分的な情報損失が発生する。 これらの課題を解決するために,ResNet-50エンコーダ,チャネルワイドアグリゲーションアテンション(CAA)モジュール,MFFブロック,自己改善(SR)モジュール,マルチデコーダなど,キーコンポーネントを備えたマルチレベル構造を持つFusionLungNetネットワークを用いたハイブリッドアプローチを提案する。 改良サブネットワークは、画像後処理に畳み込みニューラルネットワークを使用して品質を向上する。 本手法では,画像再構成品質を最適化するために,SSIM,IOU,焦点損失などの損失関数の組み合わせを用いる。 LIDC-IDRIデータセット(データセットバージョン1)の1800個のCT画像と,Kaggleデータセット(データセットバージョン2)のChest CT Cancer Images(データセットバージョン2)の700個の画像を含む。 提案手法はICUスコア98.04を達成し,既存手法よりも優れ,セグメンテーション精度が大幅に向上した。 https://github.com/sadjadrz/FusionLungNet

関連論文リスト

• TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
  医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。 医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。 我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
  論文  参考訳（メタデータ） (2024-10-01T18:22:34Z)
• BEFUnet: A Hybrid CNN-Transformer Architecture for Precise Medical Image Segmentation [0.0]
  本稿では,医療画像の正確な分割のために,身体情報とエッジ情報の融合を強化するBEFUnetという,革新的なU字型ネットワークを提案する。 BEFUnetは、新しいローカル・クロス・アテンション・フィーチャー(LCAF)融合モジュール、新しいダブル・レベル・フュージョン(DLF)モジュール、デュアルブランチ・エンコーダの3つの主要モジュールから構成されている。 LCAFモジュールは、2つのモダリティの間に空間的に近接する特徴に対して、局所的な相互注意を選択的に行うことにより、エッジとボディの特徴を効率よく融合させる。
  論文  参考訳（メタデータ） (2024-02-13T21:03:36Z)
• BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
  医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。 具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。 提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-01-01T10:49:09Z)
• 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)
• 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)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion [138.40422469153145]
  本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。 近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-11-26T02:40:28Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation [14.807364495808779]
  BUS画像セグメンテーションのための新しい特徴統合戦略(「E」のような型を生成する)に基づいて、粗大な融合畳み込みネットワーク(CF2-Net)を提案し、評価する。 提案するCF2-Netは4倍のクロスバリデーションを用いてオープンデータセットで評価した。 実験の結果,CF2-Netは,他の深層学習手法と比較して最先端の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T09:27:26Z)
• U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation [0.0]
  本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。 提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。 U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2020-03-20T14:25:22Z)

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。