論文の概要: J-CaPA : Joint Channel and Pyramid Attention Improves Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2411.16568v1
• Date: Mon, 25 Nov 2024 16:52:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:20:13.767915
• Title: J-CaPA : Joint Channel and Pyramid Attention Improves Medical Image Segmentation
• Title（参考訳）: J-CaPA : 医用画像セグメンテーションの改善
• Authors: Marzia Binta Nizam, Marian Zlateva, James Davis,
• Abstract要約: 本稿では,Channel Attention と Pyramid Attention を併用したマルチスケール特徴抽出手法を提案する。 提案モデルでは, 複雑な解剖学的構造に対するセグメンテーション精度が向上し, 既存の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.503388496100123
• License:
• Abstract: Medical image segmentation is crucial for diagnosis and treatment planning. Traditional CNN-based models, like U-Net, have shown promising results but struggle to capture long-range dependencies and global context. To address these limitations, we propose a transformer-based architecture that jointly applies Channel Attention and Pyramid Attention mechanisms to improve multi-scale feature extraction and enhance segmentation performance for medical images. Increasing model complexity requires more training data, and we further improve model generalization with CutMix data augmentation. Our approach is evaluated on the Synapse multi-organ segmentation dataset, achieving a 6.9% improvement in Mean Dice score and a 39.9% improvement in Hausdorff Distance (HD95) over an implementation without our enhancements. Our proposed model demonstrates improved segmentation accuracy for complex anatomical structures, outperforming existing state-of-the-art methods.
• Abstract（参考訳）: 医用画像分割は診断と治療計画に不可欠である。 従来のCNNベースのモデル、例えばU-Netは有望な結果を示しているが、長距離の依存関係とグローバルなコンテキストを捉えるのに苦労している。 これらの制約に対処するために,マルチスケールの特徴抽出を改善し,医用画像のセグメンテーション性能を向上させるために,チャネル注意機構とピラミッド注意機構を併用したトランスフォーマーアーキテクチャを提案する。 モデル複雑性の増大には、より多くのトレーニングデータが必要であり、CutMixデータ拡張によるモデル一般化をさらに改善する。 提案手法は,Synapseの多臓器セグメンテーションデータセットを用いて評価され,平均Diceスコアが6.9%向上し,Hausdorff Distance(HD95)が39.9%向上した。 提案モデルでは, 複雑な解剖学的構造に対するセグメンテーション精度が向上し, 既存の最先端手法よりも優れていた。

関連論文リスト

• Optimized Vessel Segmentation: A Structure-Agnostic Approach with Small Vessel Enhancement and Morphological Correction [7.882674026364302]
  マルチモーダル血管セグメンテーションのための小型血管拡張と形態的補正を取り入れた構造診断手法を提案する。 本手法は,より優れたセグメンテーション精度,一般化,34.6%の接続性向上を実現し,臨床応用の可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-22T08:38:30Z)
• Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
  我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。 Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-26T08:15:43Z)
• 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)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• AttResDU-Net: Medical Image Segmentation Using Attention-based Residual Double U-Net [0.0]
  本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。 CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
  論文  参考訳（メタデータ） (2023-06-25T14:28:08Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。