論文の概要: Deconver: A Deconvolutional Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2504.00302v1
• Date: Tue, 01 Apr 2025 00:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:19:45.420806
• Title: Deconver: A Deconvolutional Network for Medical Image Segmentation
• Title（参考訳）: Deconver: 医用画像セグメンテーションのための非畳み込みネットワーク
• Authors: Pooya Ashtari, Shahryar Noei, Fateme Nateghi Haredasht, Jonathan H. Chen, Giuseppe Jurman, Aleksandra Pizurica, Sabine Van Huffel,
• Abstract要約: 本稿では,U字型アーキテクチャの中核となる学習可能なコンポーネントとして,画像復元から従来のデコンボリューション技術を統合する新しいネットワークであるDeconverを紹介する。 デコンバーは計算コストのかかる注意機構を非負の効率的なデコンボリューション操作に置き換える。 これは、DiceスコアとHausdorff距離における最先端のパフォーマンスを達成し、主要なベースラインと比較して計算コスト(FLOP)を最大90%削減する。
• 参考スコア（独自算出の注目度）: 40.679550836320786
• License:
• Abstract: While convolutional neural networks (CNNs) and vision transformers (ViTs) have advanced medical image segmentation, they face inherent limitations such as local receptive fields in CNNs and high computational complexity in ViTs. This paper introduces Deconver, a novel network that integrates traditional deconvolution techniques from image restoration as a core learnable component within a U-shaped architecture. Deconver replaces computationally expensive attention mechanisms with efficient nonnegative deconvolution (NDC) operations, enabling the restoration of high-frequency details while suppressing artifacts. Key innovations include a backpropagation-friendly NDC layer based on a provably monotonic update rule and a parameter-efficient design. Evaluated across four datasets (ISLES'22, BraTS'23, GlaS, FIVES) covering both 2D and 3D segmentation tasks, Deconver achieves state-of-the-art performance in Dice scores and Hausdorff distance while reducing computational costs (FLOPs) by up to 90% compared to leading baselines. By bridging traditional image restoration with deep learning, this work offers a practical solution for high-precision segmentation in resource-constrained clinical workflows. The project is available at https://github.com/pashtari/deconver.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は高度な医用画像セグメンテーションを持つが、CNNの局所受容野やViTの計算複雑性といった固有の制限に直面している。 本稿では,U字型アーキテクチャの中核となる学習可能なコンポーネントとして,画像復元から従来のデコンボリューション技術を統合する新しいネットワークであるDeconverを紹介する。 デコンバーは計算コストのかかる注意機構を非負の効率的な非畳み込み(NDC)操作に置き換え、アーティファクトを抑えながら高周波の詳細の復元を可能にする。 主なイノベーションは、実証可能な単調な更新ルールとパラメータ効率の高い設計に基づく、バックプロパゲーションフレンドリなNDC層である。 4つのデータセット(ISLES'22、BraTS'23、GlaS、FIVES)で2Dおよび3Dセグメンテーションタスクをカバーし、DeconverはDiceスコアとHausdorff距離における最先端のパフォーマンスを達成し、主要なベースラインと比較して計算コスト(FLOP)を最大90%削減する。 従来の画像復元を深層学習でブリッジすることで、リソース制約のある臨床ワークフローにおいて、高精度なセグメンテーションを実現するための実用的なソリューションを提供する。 プロジェクトはhttps://github.com/pashtari/deconver.comから入手できる。

関連論文リスト

• STA-Unet: Rethink the semantic redundant for Medical Imaging Segmentation [1.9526521731584066]
  スーパートークン注意(Super Token Attention, STA)機構は、スーパートークンをコンパクトな視覚表現として用い、ピクセル空間からトークン空間へのスーパーピクセルの概念を適応させる。 本研究では、豊富な情報を失うことなく冗長性を抑えるために、UNetアーキテクチャ(STA-UNet)にSTAモジュールを導入する。 4つの公開データセットの実験結果は、既存の最先端アーキテクチャよりもSTA-UNetの方が優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-13T07:19:46Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• TEC-Net: Vision Transformer Embrace Convolutional Neural Networks for Medical Image Segmentation [20.976167468217387]
  医用画像セグメンテーション(TEC-Net)のための畳み込みニューラルネットワークを取り入れた視覚変換器を提案する。 ネットワークには2つの利点がある。第1に、動的変形可能な畳み込み(DDConv)はCNNブランチで設計されており、固定サイズの畳み込みカーネルを用いた適応的特徴抽出の難しさを克服するだけでなく、異なる入力が同じ畳み込みカーネルパラメータを共有する欠陥を解決する。 実験の結果,提案するTEC-Netは,CNNやTransformerネットワークを含むSOTA法よりも医用画像のセグメンテーションが優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-07T01:14:16Z)
• CiT-Net: Convolutional Neural Networks Hand in Hand with Vision Transformers for Medical Image Segmentation [10.20771849219059]
  医用画像分割のための畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(CiT-Net)のハイブリッドアーキテクチャを提案する。 我々のCit-Netは、一般的なSOTA法よりも優れた医用画像セグメンテーション結果を提供する。
  論文  参考訳（メタデータ） (2023-06-06T03:22:22Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• Invertible Residual Network with Regularization for Effective Medical Image Segmentation [2.76240219662896]
  バックプロパゲーションを用いたニューラルネットワークのトレーニングにおいて、アクティベーションメモリフットプリントを大幅に削減するために、可逆ニューラルネットワークが適用されている。 可逆残存ネットワーク(部分可逆残存ネットワーク, Partially-InvRes)と完全可逆残存ネットワーク(Fully-InvRes)の2つのバージョンを提案する。 この結果から,部分可逆ネットワークをボリュームセグメンテーションの中心として用いることにより,メモリオーバヘッドを削減できるだけでなく,非可逆的3d unetと同等なセグメンテーション性能を実現することができた。
  論文  参考訳（メタデータ） (2021-03-16T13:19:59Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)

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。