論文の概要: DAM-Seg: Anatomically accurate cardiac segmentation using Dense Associative Networks
- arxiv url: http://arxiv.org/abs/2502.15128v1
- Date: Fri, 21 Feb 2025 01:15:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 17:06:59.302313
- Title: DAM-Seg: Anatomically accurate cardiac segmentation using Dense Associative Networks
- Title（参考訳）: DAM-Seg:Dense Associative Networks を用いた解剖学的精度の高い心臓セグメンテーション
- Authors: Zahid Ullah, Jihie Kim,
- Abstract要約: 本稿では,心的入力に固有のパターンを学習し,保持するために高密度な連想ネットワークを利用するトランスフォーマーアーキテクチャを提案する。
提案手法は,ネットワークを限られたパターンの集合に制限する。前方伝播において,これらのパターンの重み付け和を用いて,出力の解剖学的正しさを強制する。
実験結果から,本モデルがすべての指標のベースラインアプローチを一貫して上回っていることが示唆された。
- 参考スコア（独自算出の注目度）: 3.776159955137874
- License:
- Abstract: Deep learning-based cardiac segmentation has seen significant advancements over the years. Many studies have tackled the challenge of anatomically incorrect segmentation predictions by introducing auxiliary modules. These modules either post-process segmentation outputs or enforce consistency between specific points to ensure anatomical correctness. However, such approaches often increase network complexity, require separate training for these modules, and may lack robustness in scenarios with poor visibility. To address these limitations, we propose a novel transformer-based architecture that leverages dense associative networks to learn and retain specific patterns inherent to cardiac inputs. Unlike traditional methods, our approach restricts the network to memorize a limited set of patterns. During forward propagation, a weighted sum of these patterns is used to enforce anatomical correctness in the output. Since these patterns are input-independent, the model demonstrates enhanced robustness, even in cases with poor visibility. The proposed pipeline was evaluated on two publicly available datasets, CAMUS and CardiacNet. Experimental results indicate that our model consistently outperforms baseline approaches across all metrics, highlighting its effectiveness and reliability for cardiac segmentation tasks.
- Abstract（参考訳）: 深層学習に基づく心臓セグメンテーションは、長年にわたって大きな進歩を遂げてきた。
多くの研究が補助モジュールを導入して解剖学的に誤ったセグメンテーション予測の課題に取り組んでいる。
これらのモジュールは、プロセス後セグメンテーション出力または特定のポイント間の一貫性を強制し、解剖学的正確性を保証する。
しかしながら、このようなアプローチはネットワークの複雑さを増大させ、これらのモジュールの個別のトレーニングを必要とし、可視性に乏しいシナリオでは堅牢性に欠ける可能性がある。
これらの制約に対処するため,心的入力に固有の特定のパターンを学習し,保持するために高密度な連想ネットワークを利用するトランスフォーマーベースのアーキテクチャを提案する。
従来の手法とは異なり、我々の手法は限られたパターンの集合を記憶するためにネットワークを制限する。
前方伝播において、これらのパターンの重み付け和は、出力に解剖学的正しさを強制するために使用される。
これらのパターンは入力に依存しないため、可視性に乏しい場合であっても、モデルが強靭性を示す。
提案されたパイプラインは、CAMUSとCardiacNetの2つの公開データセットで評価された。
実験結果から,本モデルは全指標のベースラインアプローチを一貫して上回り,心臓セグメンテーションタスクの有効性と信頼性を強調した。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and
Authentication [50.017055360261665]
DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。
これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。
このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
論文 参考訳（メタデータ） (2024-02-03T06:49:42Z) - 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) - AttenScribble: Attentive Similarity Learning for Scribble-Supervised
Medical Image Segmentation [5.8447004333496855]
本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。
我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。
この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
論文 参考訳（メタデータ） (2023-12-11T18:42:18Z) - Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。
この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。
ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。
自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
論文 参考訳（メタデータ） (2023-09-21T09:06:36Z) - Unsupervised Tissue Segmentation via Deep Constrained Gaussian Network [13.331718119215436]
本稿では、エンドツーエンドの深層混合モデルと制約付き指標を統合することにより、教師なし学習パラダイムを提案する。
パブリックデータセットと社内データセットの両方で検証することにより、提案した深い制約付きガウスネットワークは、大幅にパフォーマンスが向上する。
論文 参考訳（メタデータ） (2022-08-04T22:25:25Z) - Learning Multi-Modal Volumetric Prostate Registration with Weak
Inter-Subject Spatial Correspondence [2.6894568533991543]
MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。
MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
論文 参考訳（メタデータ） (2021-02-09T16:48:59Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z)
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。