論文の概要: Hyper-Fusion Network for Semi-Automatic Segmentation of Skin Lesions
- arxiv url: http://arxiv.org/abs/2412.10816v1
- Date: Sat, 14 Dec 2024 12:54:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:57:44.069906
- Title: Hyper-Fusion Network for Semi-Automatic Segmentation of Skin Lesions
- Title（参考訳）: 半自動皮膚病変分割のためのハイパーフュージョンネットワーク
- Authors: Lei Bi, Michael Fulham, Jinman Kim,
- Abstract要約: 抽出したユーザ・インプットと画像特徴を複数の段階にわたって融合させるハイパーフュージョン・ネットワーク(HFN)を導入する。
我々は、ISIC 2017、ISIC 2016、PH2データセット上でHFNを評価した。
- 参考スコア（独自算出の注目度）: 9.436149053351945
- License:
- Abstract: Automatic skin lesion segmentation methods based on fully convolutional networks (FCNs) are regarded as the state-of-the-art for accuracy. When there are, however, insufficient training data to cover all the variations in skin lesions, where lesions from different patients may have major differences in size/shape/texture, these methods failed to segment the lesions that have image characteristics, which are less common in the training datasets. FCN-based semi-automatic segmentation methods, which fuse user-inputs with high-level semantic image features derived from FCNs offer an ideal complement to overcome limitations of automatic segmentation methods. These semi-automatic methods rely on the automated state-of-the-art FCNs coupled with user-inputs for refinements, and therefore being able to tackle challenging skin lesions. However, there are a limited number of FCN-based semi-automatic segmentation methods and all these methods focused on early-fusion, where the first few convolutional layers are used to fuse image features and user-inputs and then derive fused image features for segmentation. For early-fusion based methods, because the user-input information can be lost after the first few convolutional layers, consequently, the user-input information will have limited guidance and constraint in segmenting the challenging skin lesions with inhomogeneous textures and fuzzy boundaries. Hence, in this work, we introduce a hyper-fusion network (HFN) to fuse the extracted user-inputs and image features over multiple stages. We separately extract complementary features which then allows for an iterative use of user-inputs along all the fusion stages to refine the segmentation. We evaluated our HFN on ISIC 2017, ISIC 2016 and PH2 datasets, and our results show that the HFN is more accurate and generalizable than the state-of-the-art methods.
- Abstract（参考訳）: 完全畳み込みネットワーク(FCN)に基づく自動皮膚病変分割法は,精度向上のための最先端技術であると考えられる。
しかし、異なる患者の病変がサイズ・形状・テクスチャに大きく異なる可能性がある皮膚病変のすべてのバリエーションをカバーするには不十分なトレーニングデータがある場合、これらの手法はトレーニングデータセットでは一般的でない画像の特徴を持つ病変を分類できなかった。
FCNをベースとした半自動セグメンテーション手法は,ユーザインプットと,FCNから派生した高レベルセマンティックイメージ特徴を融合することにより,自動セグメンテーション手法の限界を克服する理想的な補完手段を提供する。
これらのセミオートマチックな手法は、自動化された最先端のFCNと、改良のためのユーザインプットを結合させることで、皮膚の障害に対処することができる。
しかし、FCNベースの半自動セグメンテーション手法は限られており、これらは全て早期融合に焦点を当てており、最初のいくつかの畳み込み層は画像特徴とユーザ入力を融合させ、セグメンテーションのための融合画像特徴を導出する。
早期融合法では、最初の数枚の畳み込み層の後、ユーザ入力情報が失われる可能性があるため、ユーザ入力情報は、不均一なテクスチャとファジィ境界による挑戦的な皮膚病変のセグメンテーションにおいて、限られたガイダンスと制約を持つことになる。
そこで本研究では,抽出したユーザインプットと画像特徴を複数の段階にわたって融合させるハイパーフュージョンネットワーク(HFN)を提案する。
相補的な特徴を別々に抽出し,全ての融合段階に沿ってユーザ・インプットを反復的に使用し,セグメンテーションを洗練させる。
我々は,ISIC 2017 と ISIC 2016 と PH2 のデータセットを用いてHFN を評価し,HFN が最先端の手法よりも正確で一般化可能であることを示した。
関連論文リスト
- Spatial-Frequency Dual Progressive Attention Network For Medical Image Segmentation [11.60636221012585]
医用画像では、様々な種類の病変が、形状やテクスチャに顕著な違いを呈することが多い。
正確な医用画像セグメンテーションは、マルチスケールおよびバウンダリの特徴学習において堅牢な機能を持つディープラーニングモデルを必要とする。
本稿では,空間周波数デュアルドメインアテンションネットワークであるSF-UNetを紹介する。
マルチスケールプログレッシブ・チャンネル・アテンション(MPCA)ブロックは隣接するエンコーダ層にまたがるマルチスケールの特徴を徐々に抽出し、軽量な周波数空間アテンション(FSA)ブロックはわずか0.05Mのパラメータしか持たない。
論文 参考訳（メタデータ） (2024-06-12T07:22:05Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Skin Lesion Segmentation Improved by Transformer-based Networks with
Inter-scale Dependency Modeling [0.0]
メラノーマは異常な皮膚細胞増殖に起因する皮膚癌の一種である。
対称的U-Netモデルの畳み込み操作への依存は、長距離依存をキャプチャする能力を妨げている。
この制限を克服するために、TransformerベースのいくつかのU-Netトポロジが最近作成されている。
論文 参考訳（メタデータ） (2023-10-20T15:53:51Z) - LCAUnet: A skin lesion segmentation network with enhanced edge and body
fusion [4.819821513256158]
LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。
公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-01T14:05:53Z) - Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。
DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。
CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文 参考訳（メタデータ） (2023-03-17T04:20:47Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - 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) - SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using
disentangled representation with anatomical priors [4.2663199451998475]
網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。
特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。
並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
論文 参考訳（メタデータ） (2022-07-01T14:30:59Z) - Differentiable Deconvolution for Improved Stroke Perfusion Analysis [0.0]
動脈入力機能(AIF)は、それが選択されるべき方法と場所はまだ議論の余地があります。
最大コア病変分割性能に最適化されたAIF選択手法を提案する。
提案手法は,手動のアノテーションを使わずにAIFを生成することができ,したがって手動レーダの影響を回避できることを示す。
論文 参考訳（メタデータ） (2021-03-31T14:29:36Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。