論文の概要: QTSeg: A Query Token-Based Architecture for Efficient 2D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2412.17241v1
• Date: Mon, 23 Dec 2024 03:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:00:20.866947
• Title: QTSeg: A Query Token-Based Architecture for Efficient 2D Medical Image Segmentation
• Title（参考訳）: QTSeg: 効率的な2次元医用画像分割のためのクエリトークンベースのアーキテクチャ
• Authors: Phuong-Nam Tran, Nhat Truong Pham, Duc Ngoc Minh Dang, Eui-Nam Huh, Choong Seon Hong,
• Abstract要約: 医用画像のセグメンテーションは、医師が診断を行い、自動診断を可能にするのに不可欠である。 CNNはピクセルレベルの精度で関心のあるセグメンテーション領域を抜いているが、長距離依存に苦慮している。 トランスフォーマーはアテンションメカニズムを活用して、長距離依存関係を処理する。 医用2次元画像セグメンテーション(QTSeg)のための新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 13.359001333361272
• License:
• Abstract: Medical image segmentation is crucial in assisting medical doctors in making diagnoses and enabling accurate automatic diagnosis. While advanced convolutional neural networks (CNNs) excel in segmenting regions of interest with pixel-level precision, they often struggle with long-range dependencies, which is crucial for enhancing model performance. Conversely, transformer architectures leverage attention mechanisms to excel in handling long-range dependencies. However, the computational complexity of transformers grows quadratically, posing resource-intensive challenges, especially with high-resolution medical images. Recent research aims to combine CNN and transformer architectures to mitigate their drawbacks and enhance performance while keeping resource demands low. Nevertheless, existing approaches have not fully leveraged the strengths of both architectures to achieve high accuracy with low computational requirements. To address this gap, we propose a novel architecture for 2D medical image segmentation (QTSeg) that leverages a feature pyramid network (FPN) as the image encoder, a multi-level feature fusion (MLFF) as the adaptive module between encoder and decoder and a multi-query mask decoder (MQM Decoder) as the mask decoder. In the first step, an FPN model extracts pyramid features from the input image. Next, MLFF is incorporated between the encoder and decoder to adapt features from different encoder stages to the decoder. Finally, an MQM Decoder is employed to improve mask generation by integrating query tokens with pyramid features at all stages of the mask decoder. Our experimental results show that QTSeg outperforms state-of-the-art methods across all metrics with lower computational demands than the baseline and the existing methods. Code is available at https://github.com/tpnam0901/QTSeg (v0.1.0)
• Abstract（参考訳）: 医用画像のセグメンテーションは、医師が診断を行い、正確な自動診断を可能にするのに不可欠である。 高度な畳み込みニューラルネットワーク(CNN)はピクセルレベルの精度で関心領域のセグメンテーションに優れていますが、モデルパフォーマンスを向上させる上で重要な長距離依存に悩まされることが少なくありません。 逆に、トランスフォーマーアーキテクチャはアテンションメカニズムを活用して、長距離依存の処理に長けている。 しかし、変換器の計算複雑性は二次的に増大し、特に高解像度の医療画像では資源集約的な課題が生じる。 最近の研究は、CNNとトランスフォーマーアーキテクチャを組み合わせることで、その欠点を軽減し、リソース要求を低く抑えながら性能を向上させることを目的としている。 それにもかかわらず、既存のアプローチは、低い計算要求で高い精度を達成するために両方のアーキテクチャの強みを十分に活用していない。 このギャップに対処するために、画像エンコーダとして特徴ピラミッドネットワーク(FPN)、エンコーダとデコーダの適応モジュールとして多レベル特徴融合(MLFF)、マスクデコーダとしてマルチクエリマスクデコーダ(MQMデコーダ)を利用する2次元医用画像セグメンテーション(QTSeg)のアーキテクチャを提案する。 最初のステップでは、FPNモデルが入力画像からピラミッドの特徴を抽出する。 次に、MLFFはエンコーダとデコーダの間に組み込まれ、異なるエンコーダステージからデコーダへの機能適応を行う。 最後に、MQMデコーダを使用して、マスクデコーダの全ステージにおけるクエリトークンとピラミッド機能を統合することで、マスク生成を改善する。 実験の結果,QTSegはベースラインや既存手法よりも計算要求の少ない全ての指標において,最先端の手法よりも優れていた。 コードはhttps://github.com/tpnam0901/QTSeg (v0.1.0)で入手できる。

関連論文リスト

• AFFSegNet: Adaptive Feature Fusion Segmentation Network for Microtumors and Multi-Organ Segmentation [31.97835089989928]
  医用画像のセグメンテーションは、コンピュータビジョンにおいて重要な課題であり、診断、治療計画、疾患モニタリングにおける臨床医を支援する。 本稿では,局所的特徴とグローバルな特徴を効果的に統合し,正確な医用画像分割を実現するトランスフォーマアーキテクチャである適応意味ネットワーク(ASSNet)を提案する。 多臓器、肝腫瘍、膀胱腫瘍の分節を含む様々な医療画像の分節タスクに関するテストは、ATSNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-12T06:25:44Z)
• TransDAE: Dual Attention Mechanism in a Hierarchical Transformer for Efficient Medical Image Segmentation [7.013315283888431]
  医用画像のセグメンテーションは、正確な疾患診断と効果的な治療戦略の開発に不可欠である。 本稿では,トランスダエ(TransDAE)という,空間的・チャネル的関連性を含む自己認識機構を再定義する手法を紹介する。 注目すべきは、TransDAEがSynapsのマルチオーガナイズデータセット上で、既存の最先端メソッドより優れていることだ。
  論文  参考訳（メタデータ） (2024-09-03T16:08:48Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• Perspective+ Unet: Enhancing Segmentation with Bi-Path Fusion and Efficient Non-Local Attention for Superior Receptive Fields [19.71033340093199]
  本稿では,医療画像のセグメンテーションの限界を克服する新しいアーキテクチャであるspective+Unetを提案する。 このフレームワークは ENLTB という名前の効率的な非局所トランスフォーマーブロックを組み込んでおり、これはカーネル関数近似を利用して、効率的な長距離依存性キャプチャを行う。 ACDCとデータセットに関する実験結果から,提案したパースペクティブ+Unetの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-20T07:17:39Z)
• 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)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Joint Channel Estimation and Feedback with Masked Token Transformers in Massive MIMO Systems [74.52117784544758]
  本稿では,CSI行列内の固有周波数領域相関を明らかにするエンコーダデコーダに基づくネットワークを提案する。 エンコーダ・デコーダネットワーク全体がチャネル圧縮に使用される。 提案手法は,共同作業における現状のチャネル推定およびフィードバック技術より優れる。
  論文  参考訳（メタデータ） (2023-06-08T06:15:17Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)

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。