論文の概要: UD-Mamba: A pixel-level uncertainty-driven Mamba model for medical image segmentation
- arxiv url: http://arxiv.org/abs/2502.02024v1
- Date: Tue, 04 Feb 2025 05:20:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:56:40.057782
- Title: UD-Mamba: A pixel-level uncertainty-driven Mamba model for medical image segmentation
- Title（参考訳）: UD-Mamba:医療画像分割のための画素レベルの不確実性駆動型Mambaモデル
- Authors: Weiren Zhao, Feng Wang, Yanran Wang, Yutong Xie, Qi Wu, Yuyin Zhou,
- Abstract要約: 不確実性駆動型マンバ(UD-Mamba)は、走査機構にチャネル不確かさを組み込むことで、画素順走査プロセスを再定義する。
UD-Mambaは, 1) 連続走査, 連続走査, 行ごとの走査による高不確実性領域の優先順位付け, 2) カラムを垂直に処理し, 一定間隔でハイ・ロー・ロー・ハイ・ハイ・ハイ・インテリジェンスから移動させるスキップ走査という2つの重要な走査手法を導入している。
本手法は, 病理, 皮膚疾患, 心的タスクを含む3つの異なる医用画像データセットにまたがって, 堅牢なセグメンテーション性能を示す。
- 参考スコア（独自算出の注目度）: 28.423422060841137
- License:
- Abstract: Recent advancements have highlighted the Mamba framework, a state-space model known for its efficiency in capturing long-range dependencies with linear computational complexity. While Mamba has shown competitive performance in medical image segmentation, it encounters difficulties in modeling local features due to the sporadic nature of traditional location-based scanning methods and the complex, ambiguous boundaries often present in medical images. To overcome these challenges, we propose Uncertainty-Driven Mamba (UD-Mamba), which redefines the pixel-order scanning process by incorporating channel uncertainty into the scanning mechanism. UD-Mamba introduces two key scanning techniques: 1) sequential scanning, which prioritizes regions with high uncertainty by scanning in a row-by-row fashion, and 2) skip scanning, which processes columns vertically, moving from high-to-low or low-to-high uncertainty at fixed intervals. Sequential scanning efficiently clusters high-uncertainty regions, such as boundaries and foreground objects, to improve segmentation precision, while skip scanning enhances the interaction between background and foreground regions, allowing for timely integration of background information to support more accurate foreground inference. Recognizing the advantages of scanning from certain to uncertain areas, we introduce four learnable parameters to balance the importance of features extracted from different scanning methods. Additionally, a cosine consistency loss is employed to mitigate the drawbacks of transitioning between uncertain and certain regions during the scanning process. Our method demonstrates robust segmentation performance, validated across three distinct medical imaging datasets involving pathology, dermatological lesions, and cardiac tasks.
- Abstract（参考訳）: 最近の進歩は、線形計算複雑性で長距離依存関係をキャプチャする効率で知られている状態空間モデルであるMambaフレームワークを強調している。
マンバは、医用画像のセグメンテーションにおいて、競争力のある性能を示したが、従来の位置ベーススキャン手法の散発性や、医用画像にしばしば現れる複雑で曖昧な境界によって、局所的な特徴をモデル化するのが困難である。
これらの課題を克服するために,不確実性駆動型マンバ (UD-Mamba) を提案する。
UD-Mambaが2つの重要なスキャン技術を導入
1)シーケンシャルスキャンは、行ごとの走査により、高い不確実性のある領域を優先し、
2) 円柱を垂直に加工するスキップ走査は, 一定間隔で高から低, 低から高の不確実性に移行する。
シーケンススキャニングは境界や前景オブジェクトなどの不確実性の高い領域を効率的にクラスタリングし、セグメンテーション精度を向上させると同時に、スキャニングをスキップすることで背景と前景の相互作用を強化し、背景情報のタイムリーな統合を可能にし、より正確な前景推論をサポートする。
特定領域から不確実領域への走査の利点を認識し,異なる走査法から抽出した特徴量の重要性のバランスをとるために,学習可能なパラメータを4つ導入した。
さらに、スキャンプロセス中に不確実領域と特定領域間の遷移の欠点を軽減するために、コサイン整合損失を用いる。
本手法は, 病理, 皮膚疾患, 心的タスクを含む3つの異なる医用画像データセットにまたがって, 堅牢なセグメンテーション性能を示す。
関連論文リスト
- Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images [8.010602776500237]
Evidential Uncertainty-Guided Interactive (EUGIS) は、超音波画像セグメンテーションの明確な不確実性推定に基づくエンドツーエンドの対話的セグメンテーションパラダイムである。
提案手法は, 高度に訓練された放射線学者の対話行動のシミュレーションを効果的に行うことができ, サンプリング対象度を高めつつ, 必要なプロンプトやイテレーションの数を削減できる。
論文 参考訳（メタデータ） (2025-01-02T05:41:25Z) - MaIR: A Locality- and Continuity-Preserving Mamba for Image Restoration [24.66368406718623]
我々は,新しいマンバ画像復元モデル(MaIR)を提案する。
MAIRはNested S-shaped Scanning Strategy (NSS)とSequence Shuffle Attention Block (SSA)で構成されている。
NSSとSSAのおかげで、MaIRは14の挑戦的なデータセットにまたがって40のベースラインを越えた。
論文 参考訳（メタデータ） (2024-12-28T07:40:39Z) - Improving Vision Anomaly Detection with the Guidance of Language
Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。
本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。
視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文 参考訳（メタデータ） (2023-10-04T13:44:56Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳（メタデータ） (2023-07-06T02:32:08Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Mitosis domain generalization in histopathology images -- The MIDOG
challenge [12.69088811541426]
病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。
最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。
MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
論文 参考訳（メタデータ） (2022-04-06T11:43:10Z) - Detecting micro fractures with X-ray computed tomography [4.855026133182103]
XRCTを用いたカララ大理石のフラクチャーネットワークの可視化に成功したデータ集合について述べる。
従来の3手法と機械学習に基づく2手法を評価した。
2次元U-netモデルの出力は、機械学習に基づくセグメンテーション手法の1つである。
論文 参考訳（メタデータ） (2021-03-23T20:20:24Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳（メタデータ） (2020-06-24T15:25:11Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。