論文の概要: DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images

• arxiv url: http://arxiv.org/abs/2502.09256v1
• Date: Thu, 13 Feb 2025 12:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:50:01.492134
• Title: DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images
• Title（参考訳）: DynSegNet:Fundus画像からの出血病変の分離における逆学習のための動的アーキテクチャ適応
• Authors: Zesheng Li, Minwen Liao, Haoran Chen, Yan Su, Chengchang Pan, Honggang Qi,
• Abstract要約: 本稿では,階層型U字型エンコーダデコーダ,残差ブロック,アテンション機構,ASPPモジュールを統合した逆学習に基づく動的アーキテクチャ調整手法を提案する。 実験の結果、Dice係数は0.5602の0.6802、IoU、リコールは0.766、精度は0.6525、精度は0.9955であることが示され、眼底出血セグメンテーションの課題に効果的に対処した。
• 参考スコア（独自算出の注目度）: 8.359851428921386
• License:
• Abstract: The hemorrhagic lesion segmentation plays a critical role in ophthalmic diagnosis, directly influencing early disease detection, treatment planning, and therapeutic efficacy evaluation. However, the task faces significant challenges due to lesion morphological variability, indistinct boundaries, and low contrast with background tissues. To improve diagnostic accuracy and treatment outcomes, developing advanced segmentation techniques remains imperative. This paper proposes an adversarial learning-based dynamic architecture adjustment approach that integrates hierarchical U-shaped encoder-decoder, residual blocks, attention mechanisms, and ASPP modules. By dynamically optimizing feature fusion, our method enhances segmentation performance. Experimental results demonstrate a Dice coefficient of 0.6802, IoU of 0.5602, Recall of 0.766, Precision of 0.6525, and Accuracy of 0.9955, effectively addressing the challenges in fundus image hemorrhage segmentation.[* Corresponding author.]
• Abstract（参考訳）: 出血性病変のセグメンテーションは眼科診断において重要な役割を担い、早期疾患の検出、治療計画、治療効果評価に直接影響を及ぼす。 しかし, この課題は, 病変形態の多様性, 不連続境界, 背景組織との低コントラストなど, 重大な課題に直面している。 診断精度と治療成績を改善するため,高度なセグメンテーション技術の開発が不可欠である。 本稿では,階層型U字型エンコーダデコーダ,残差ブロック,アテンション機構,ASPPモジュールを統合した逆学習に基づく動的アーキテクチャ調整手法を提案する。 機能融合を動的に最適化することにより,セグメンテーション性能が向上する。 実験の結果、Dice係数は0.5602の0.6802、IoU、リコールは0.766、精度は0.6525、精度は0.9955であることが示され、眼底出血セグメンテーションの課題に効果的に対処した。 [*著者対応]

関連論文リスト

• Comprehensive Study on Lumbar Disc Segmentation Techniques Using MRI Data [0.0]
  本研究では,ResUnext,Ef3 Net,UNet,TransUNetなどの高度なディープラーニングアーキテクチャによる腰椎椎間板分割の有効性を評価する。 ResUnextは高いセグメンテーション精度を達成し、Pixelの精度は0.9492、Dice Coefficientは0.8425、TransUNetはそれに続く。
  論文  参考訳（メタデータ） (2024-12-25T12:54:52Z)
• Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
  本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。 本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
  論文  参考訳（メタデータ） (2024-08-08T21:40:06Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
  この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。 CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。 比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-08T09:27:42Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• 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)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)

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。