論文の概要: U-R-VEDA: Integrating UNET, Residual Links, Edge and Dual Attention, and Vision Transformer for Accurate Semantic Segmentation of CMRs

• arxiv url: http://arxiv.org/abs/2506.20689v1
• Date: Wed, 25 Jun 2025 04:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.817472
• Title: U-R-VEDA: Integrating UNET, Residual Links, Edge and Dual Attention, and Vision Transformer for Accurate Semantic Segmentation of CMRs
• Title（参考訳）: U-R-VEDA:CMRの正確なセマンティックセグメンテーションのためのUNET、残留リンク、エッジおよびデュアルアテンション、ビジョントランスフォーマの統合
• Authors: Racheal Mukisa, Arvind K. Bansal,
• Abstract要約: 深層学習に基づく拡張UNetモデルU-R-Vedaを提案する。 このモデルは心臓磁気共鳴(CMR)画像のセマンティックセグメンテーションを著しく改善する。 その結果,U-R-Vedaの平均精度は95.2%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence, including deep learning models, will play a transformative role in automated medical image analysis for the diagnosis of cardiac disorders and their management. Automated accurate delineation of cardiac images is the first necessary initial step for the quantification and automated diagnosis of cardiac disorders. In this paper, we propose a deep learning based enhanced UNet model, U-R-Veda, which integrates convolution transformations, vision transformer, residual links, channel-attention, and spatial attention, together with edge-detection based skip-connections for an accurate fully-automated semantic segmentation of cardiac magnetic resonance (CMR) images. The model extracts local-features and their interrelationships using a stack of combination convolution blocks, with embedded channel and spatial attention in the convolution block, and vision transformers. Deep embedding of channel and spatial attention in the convolution block identifies important features and their spatial localization. The combined edge information with channel and spatial attention as skip connection reduces information-loss during convolution transformations. The overall model significantly improves the semantic segmentation of CMR images necessary for improved medical image analysis. An algorithm for the dual attention module (channel and spatial attention) has been presented. Performance results show that U-R-Veda achieves an average accuracy of 95.2%, based on DSC metrics. The model outperforms the accuracy attained by other models, based on DSC and HD metrics, especially for the delineation of right-ventricle and left-ventricle-myocardium.
• Abstract（参考訳）: ディープラーニングモデルを含む人工知能は、心臓疾患とその管理の診断において、自動化された医療画像分析において変革的な役割を果たす。 心疾患の定量化, 自動診断には, 心臓画像の自動デライン化が最初の第一歩となる。 本稿では, 深層学習に基づく拡張UNetモデルU-R-Vedaを提案する。このモデルでは, コンボリューション変換, ビジョントランスフォーマー, 残差リンク, チャネルアテンション, 空間的注意を, エッジ検出に基づくスキップ接続と組み合わせて, 心臓磁気共鳴(CMR)画像の完全自動セマンティックセマンティックセマンティックセグメンテーションを実現する。 このモデルは、畳み込みブロックのスタックと、畳み込みブロックにおける埋め込みチャネルと空間的注意、および視覚変換器を用いて、局所的特徴とその相互関係を抽出する。 畳み込みブロックにおけるチャネルと空間的注意の深い埋め込みは、重要な特徴とその空間的局在を識別する。 チャネルと空間的注意をスキップ接続として組み合わせたエッジ情報は、畳み込み変換時の情報損失を低減する。 このモデルにより,CMR画像のセマンティックセグメンテーションが大幅に改善され,医用画像解析の精度が向上する。 デュアルアテンションモジュール(チャネルおよび空間アテンション)のアルゴリズムが提案されている。 結果から,U-R-Vedaの平均精度は95.2%であった。 このモデルは、DSCおよびHD測定値に基づいて、他のモデルによって達成された精度よりも優れており、特に右心室および左心室心筋のデライン化を目的としている。

関連論文リスト

• DADU: Dual Attention-based Deep Supervised UNet for Automated Semantic Segmentation of Cardiac Images [0.0]
  心磁気共鳴(CMR)画像から左心室と心筋の傷部組織を画像分割する深層学習モデルを提案する。 提案手法は,UNet,チャネルおよび空間的注意,エッジ検出に基づくスキップ接続,深層教師あり学習を統合し,CMR画像の精度を向上させる。
  論文  参考訳（メタデータ） (2025-04-18T02:22:45Z)
• Multi-Scale Feature Fusion with Image-Driven Spatial Integration for Left Atrium Segmentation from Cardiac MRI Images [0.0]
  本稿では,DINOv2をエンコーダとしてUNetスタイルのデコーダと統合するフレームワークを提案する。 LAScarQS 2022データセットに対する我々のアプローチを検証するとともに、92.3%のDiceと84.1%のIoUスコアで巨大なアーキテクチャの性能向上を実証した。
  論文  参考訳（メタデータ） (2025-02-10T16:12:46Z)
• Motion-enhancement to Echocardiography Segmentation via Inserting a Temporal Attention Module: An Efficient, Adaptable, and Scalable Approach [4.923733944174007]
  本稿では,時間的アテンションモジュールが複数回の特徴的相互作用を抽出する,新しい計算効率の代替手法を提案する。 このモジュールは、既存のCNNやTransformerベースのネットワークにシームレスに統合できる。 この結果から,TAMの堅牢性,スケーラビリティ,多種多様なデータセットとバックボーン間の一般化性が確認された。
  論文  参考訳（メタデータ） (2025-01-24T21:35:24Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• RA V-Net: Deep learning network for automated liver segmentation [1.6795461001108098]
  RA V-Netは、U-Netに基づく医療画像の自動セグメンテーションモデルである。 より複雑な畳み込み層とスキップ接続により、より高いレベルの画像特徴抽出能力が得られる。 符号化モジュールのデータ画素と復号モジュールとの間の空間的特徴は、チャネルとLSTM畳み込みを調整することで知覚される。 LSTM畳み込みとCAモジュールによって提供されるアテンションメカニズムは、ニューラルネットワークの性能を強く保証する。
  論文  参考訳（メタデータ） (2021-12-15T16:10:14Z)

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。