論文の概要: MedSegDiffNCA: Diffusion Models With Neural Cellular Automata for Skin Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2501.02447v1
• Date: Sun, 05 Jan 2025 05:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:07:58.314176
• Title: MedSegDiffNCA: Diffusion Models With Neural Cellular Automata for Skin Lesion Segmentation
• Title（参考訳）: MedSegDiffNCA:皮膚病変分割のための神経セルオートマタを用いた拡散モデル
• Authors: Avni Mittal, John Kalkhof, Anirban Mukhopadhyay, Arnav Bhavsar,
• Abstract要約: 本研究は拡散型医用画像分割のための3つのNAAに基づく改善を提案する。 Lesionセグメンテーションの評価によると、MultiCBAM-MedSegDiffNCAはUnetベースのモデル性能と87.84%のダイススコアで一致している。
• 参考スコア（独自算出の注目度）: 3.2807995586657097
• License:
• Abstract: Denoising Diffusion Models (DDMs) are widely used for high-quality image generation and medical image segmentation but often rely on Unet-based architectures, leading to high computational overhead, especially with high-resolution images. This work proposes three NCA-based improvements for diffusion-based medical image segmentation. First, Multi-MedSegDiffNCA uses a multilevel NCA framework to refine rough noise estimates generated by lower level NCA models. Second, CBAM-MedSegDiffNCA incorporates channel and spatial attention for improved segmentation. Third, MultiCBAM-MedSegDiffNCA combines these methods with a new RGB channel loss for semantic guidance. Evaluations on Lesion segmentation show that MultiCBAM-MedSegDiffNCA matches Unet-based model performance with dice score of 87.84% while using 60-110 times fewer parameters, offering a more efficient solution for low resource medical settings.
• Abstract（参考訳）: Denoising Diffusion Models (DDM) は高品質な画像生成と医用画像セグメンテーションに広く使われているが、しばしばUnetベースのアーキテクチャに依存しており、特に高解像度画像では高い計算オーバーヘッドをもたらす。 本研究は拡散型医用画像分割のための3つのNAAに基づく改善を提案する。 まず、Multi-MedSegDiffNCAはマルチレベルNAAフレームワークを使用して、低レベルNAAモデルによって生成された粗騒音推定を洗練する。 第2に、CBAM-MedSegDiffNCAはチャンネルと空間的注意を取り入れ、セグメンテーションを改善した。 第三に、MultiCBAM-MedSegDiffNCAはこれらの手法と新しいRGBチャネル損失を組み合わせて意味指導を行う。 Lesionセグメンテーションの評価によると、MultiCBAM-MedSegDiffNCAはUnetベースのモデル性能とダイススコア87.84%とを一致し、60～110倍のパラメータを使用する。

関連論文リスト

• Conditional diffusion model with spatial attention and latent embedding for medical image segmentation [2.8703698954661254]
  医用画像分割のための空間的注意と潜伏埋め込み(cDAL)を備えた新しい条件拡散モデルを提案する。 cDALでは、拡散過程のすべての段階で、畳み込みニューラルネットワーク(CNN)ベースの判別器を使用して、生成されたラベルと実際のラベルを区別する。 現状のアルゴリズムよりも高いDiceスコアとmIoUで有意な質的,定量的な改善が見られた。
  論文  参考訳（メタデータ） (2025-02-10T19:47:28Z)
• MedSAGa: Few-shot Memory Efficient Medical Image Segmentation using Gradient Low-Rank Projection in SAM [0.0]
  本稿では,Galore MedSAGaを用いたSegment Anything Modelを提案する。 MedSAGaのメモリ効率とパラメータセグメンテーション性能を複数の医用画像セグメンテーションデータセットで比較した。 メモリ要件が大幅に低く、SOTAに匹敵する組み合わせによって、リソース制約のある設定でのデプロイメントに最適なソリューションとして、MedSAGaを数ショットの学習位置で実現する。
  論文  参考訳（メタデータ） (2024-07-21T03:34:49Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging [0.6597195879147557]
  T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。 拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T19:41:21Z)
• 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)
• Med-NCA: Robust and Lightweight Segmentation with Neural Cellular Automata [1.2020488155038649]
  我々は,高解像度画像分割のためのエンドツーエンドNCAトレーニングパイプラインであるMed-NCAを提案する。 我々の方法は2段階のプロセスに従っており、グローバルな知識はまずダウンスケール画像を通して細胞間で伝達される。 提案するMed-NCAは,海馬と前立腺のセグメンテーションにおいて,古典的UNetを2%,Diceを3%上回っている。
  論文  参考訳（メタデータ） (2023-02-07T13:58:08Z)
• 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)
• A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data [24.12765716392381]
  距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。 DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。 脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-18T13:01:06Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。