論文の概要: PraNet-V2: Dual-Supervised Reverse Attention for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2504.10986v1
• Date: Tue, 15 Apr 2025 08:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:09:53.238847
• Title: PraNet-V2: Dual-Supervised Reverse Attention for Medical Image Segmentation
• Title（参考訳）: PraNet-V2:Dual-Supervised Reverse Attention for Medical Image Segmentation
• Authors: Bo-Cheng Hu, Ge-Peng Ji, Dian Shao, Deng-Ping Fan,
• Abstract要約: PraNet-V2は、医療画像のポリプセグメンテーションを強化するフレームワークである。 PraNet-V2には、明示的なバックグラウンド監視、独立したバックグラウンドモデリング、セマンティックに強化されたアテンション融合が含まれている。 本フレームワークは,4つのpolypセグメンテーションデータセットに対して高い性能を示す。
• 参考スコア（独自算出の注目度）: 37.497567342997286
• License:
• Abstract: Accurate medical image segmentation is essential for effective diagnosis and treatment. Previously, PraNet-V1 was proposed to enhance polyp segmentation by introducing a reverse attention (RA) module that utilizes background information. However, PraNet-V1 struggles with multi-class segmentation tasks. To address this limitation, we propose PraNet-V2, which, compared to PraNet-V1, effectively performs a broader range of tasks including multi-class segmentation. At the core of PraNet-V2 is the Dual-Supervised Reverse Attention (DSRA) module, which incorporates explicit background supervision, independent background modeling, and semantically enriched attention fusion. Our PraNet-V2 framework demonstrates strong performance on four polyp segmentation datasets. Additionally, by integrating DSRA to iteratively enhance foreground segmentation results in three state-of-the-art semantic segmentation models, we achieve up to a 1.36% improvement in mean Dice score. Code is available at: https://github.com/ai4colonoscopy/PraNet-V2/tree/main/binary_seg/jittor.
• Abstract（参考訳）: 正確な医用画像分割は効果的な診断と治療に不可欠である。 従来、PraNet-V1は、背景情報を利用するRAモジュールを導入して、ポリプセグメンテーションを強化するために提案されていた。 しかし、PraNet-V1はマルチクラスのセグメンテーションタスクで苦労している。 この制限に対処するため、PraNet-V1と比較して、マルチクラスセグメンテーションを含む幅広いタスクを効果的に実行するPraNet-V2を提案する。 PraNet-V2のコアとなるのはDual-Supervised Reverse Attention (DSRA)モジュールである。 PraNet-V2フレームワークは、4つのpolypセグメンテーションデータセットに対して高い性能を示す。 さらに,3つの最先端セマンティックセマンティックセグメンテーションモデルにおいて,DSRAを反復的に前景セグメンテーションに組み込むことで,Diceスコアの平均1.36%の改善を実現している。 コードは、https://github.com/ai4colonoscopy/PraNet-V2/tree/main/binary_seg/jittorで入手できる。

関連論文リスト

• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
  大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。 Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。 3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。 私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
  論文  参考訳（メタデータ） (2021-07-01T08:15:00Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)
• DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
  DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
  論文  参考訳（メタデータ） (2020-06-08T18:38:24Z)
• Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
  大量の核が混在しているため、機械学習モデルはうまく機能しない。 我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
  論文  参考訳（メタデータ） (2020-06-04T08:26:38Z)

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。