論文の概要: {S$^3$-Mamba}: Small-Size-Sensitive Mamba for Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2412.14546v1
• Date: Thu, 19 Dec 2024 05:52:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:26.126880
• Title: {S$^3$-Mamba}: Small-Size-Sensitive Mamba for Lesion Segmentation
• Title（参考訳）: {S$^3$-Mamba}:損傷セグメンテーションのための小型感性マンバ
• Authors: Gui Wang, Yuexiang Li, Wenting Chen, Meidan Ding, Wooi Ping Cheah, Rong Qu, Jianfeng Ren, Linlin Shen,
• Abstract要約: 小病変は早期疾患の診断や重症感染症の介入に重要な役割を果たしている。 一般的なモデルは、画像のごく一部を占めるため、小さな病変を分割する際の課題に直面することが多い。 本稿では,3次元の小さな病変に対する感受性を高めるため,bf Small-bf Size-bf Sensitive bf Mambaを提案する。
• 参考スコア（独自算出の注目度）: 36.20135236560598
• License:
• Abstract: Small lesions play a critical role in early disease diagnosis and intervention of severe infections. Popular models often face challenges in segmenting small lesions, as it occupies only a minor portion of an image, while down\_sampling operations may inevitably lose focus on local features of small lesions. To tackle the challenges, we propose a {\bf S}mall-{\bf S}ize-{\bf S}ensitive {\bf Mamba} ({\bf S$^3$-Mamba}), which promotes the sensitivity to small lesions across three dimensions: channel, spatial, and training strategy. Specifically, an Enhanced Visual State Space block is designed to focus on small lesions through multiple residual connections to preserve local features, and selectively amplify important details while suppressing irrelevant ones through channel-wise attention. A Tensor-based Cross-feature Multi-scale Attention is designed to integrate input image features and intermediate-layer features with edge features and exploit the attentive support of features across multiple scales, thereby retaining spatial details of small lesions at various granularities. Finally, we introduce a novel regularized curriculum learning to automatically assess lesion size and sample difficulty, and gradually focus from easy samples to hard ones like small lesions. Extensive experiments on three medical image segmentation datasets show the superiority of our S$^3$-Mamba, especially in segmenting small lesions. Our code is available at https://github.com/ErinWang2023/S3-Mamba.
• Abstract（参考訳）: 小病変は早期疾患の診断や重症感染症の介入に重要な役割を果たしている。 一般的なモデルでは、画像のごく一部しか占めていないため、小さな病変の分節化の課題に直面することが多いが、ダウンサンプル操作は、小さな病変の局所的な特徴に必然的にフォーカスを失う可能性がある。 この課題に対処するため, チャネル, 空間, トレーニング戦略の3次元にわたる小病変に対する感受性を高めるため, {\bf S}mall-{\bf S}ize-{\bf S}ensitive {\bf Mamba} ({\bf S$^3$-Mamba})を提案する。 具体的には、拡張されたVisual State Spaceブロックは、複数の残差接続を通して小さな病変に焦点を合わせ、局所的な特徴を保存し、チャンネルワイドの注意を通して無関係なものを抑えながら、重要な詳細を選択的に増幅するように設計されている。 テンソルをベースとしたクロスファンクショナル・マルチスケール・アテンションは,入力画像特徴と中間層特徴をエッジ特徴と統合し,複数のスケールにまたがる特徴の注意的支持を利用して,様々な粒度の小さな病変の空間的詳細を保持するように設計されている。 最後に、病変の大きさやサンプルの難易度を自動的に評価し、簡単なサンプルから小さな病変のような硬いものへと徐々に焦点を合わせるための、新しい正規化カリキュラム学習を導入する。 3つの医用画像セグメンテーションデータセットの大規模な実験は、特に小病変のセグメンテーションにおいて、我々のS$^3$-Mambaの優位性を示している。 私たちのコードはhttps://github.com/ErinWang2023/S3-Mamba.comから入手可能です。

関連論文リスト

• Exploiting Scale-Variant Attention for Segmenting Small Medical Objects [33.89429273976198]
  医用画像中の小型物体を正確にセグメント化するためのスケール可変アテンションベースネットワーク(SvANet)を提案する。 SvANetは、Dice係数の平均96.12%、96.11%、89.79%、84.15%、80.25%、73.05%、および72.58%を達成した。
  論文  参考訳（メタデータ） (2024-07-10T14:53:37Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• 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)
• All Sizes Matter: Improving Volumetric Brain Segmentation on Small Lesions [10.713888034128496]
  我々は,小さなBMの検出とセグメンテーションに明示的に焦点をあてたニューラルネットワークのアンサンブルを開発する。 大きさやテクスチャの面では病変インスタンスの不均衡に特に対処するブロブロスを用いており,大病変に対しては偏りがない。 本実験は, 対数的ブロブ損失と減算シーケンスの有用性を実証した。
  論文  参考訳（メタデータ） (2023-10-04T13:56:32Z)
• Gravity Network for end-to-end small lesion detection [50.38534263407915]
  本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。 小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。 この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
  論文  参考訳（メタデータ） (2023-09-22T14:02:22Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting [1.0514231683620514]
  セグメンテーション精度を維持しつつ,小さな病理診断性能を向上させるための新しいリウィーディング戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T17:43:49Z)
• w-Net: Dual Supervised Medical Image Segmentation Model with Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
  医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。 提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-11-15T13:54:22Z)

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。