論文の概要: LFRA-Net: A Lightweight Focal and Region-Aware Attention Network for Retinal Vessel Segmentatio

• arxiv url: http://arxiv.org/abs/2509.11811v1
• Date: Mon, 15 Sep 2025 11:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.255746
• Title: LFRA-Net: A Lightweight Focal and Region-Aware Attention Network for Retinal Vessel Segmentatio
• Title（参考訳）: LFRA-Net:網膜血管セグメンティクスのための軽量な焦点・領域認識アテンションネットワーク
• Authors: Mehwish Mehmood, Shahzaib Iqbal, Tariq Mahmood Khan, Ivor Spence, Muhammad Fahim,
• Abstract要約: LFRA-Netは、正確で効果的な網膜血管セグメンテーションに最適化された軽量ネットワークである。 局所的およびグローバルな依存関係を効率的にキャプチャすることで、特徴表現と地域的焦点を高める。 LFRA-Netは、既存のディープラーニング手法と比較して、セグメント化精度と計算コストの理想的な比を提供する。
• 参考スコア（独自算出の注目度）: 4.5211402678313135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retinal vessel segmentation is critical for the early diagnosis of vision-threatening and systemic diseases, especially in real-world clinical settings with limited computational resources. Although significant improvements have been made in deep learning-based segmentation methods, current models still face challenges in extracting tiny vessels and suffer from high computational costs. In this study, we present LFRA-Net by incorporating focal modulation attention at the encoder-decoder bottleneck and region-aware attention in the selective skip connections. LFRA-Net is a lightweight network optimized for precise and effective retinal vascular segmentation. It enhances feature representation and regional focus by efficiently capturing local and global dependencies. LFRA-Net outperformed many state-of-the-art models while maintaining lightweight characteristics with only 0.17 million parameters, 0.66 MB memory size, and 10.50 GFLOPs. We validated it on three publicly available datasets: DRIVE, STARE, and CHASE\_DB. It performed better in terms of Dice score (84.28\%, 88.44\%, and 85.50\%) and Jaccard index (72.86\%, 79.31\%, and 74.70\%) on the DRIVE, STARE, and CHASE\_DB datasets, respectively. LFRA-Net provides an ideal ratio between segmentation accuracy and computational cost compared to existing deep learning methods, which makes it suitable for real-time clinical applications in areas with limited resources. The code can be found at https://github.com/Mehwish4593/LFRA-Net.
• Abstract（参考訳）: 網膜血管のセグメンテーションは視覚障害や全身疾患の早期診断、特に計算資源が限られている実際の臨床現場において重要である。 ディープラーニングベースのセグメンテーション法では大きな改善がなされているが、現在のモデルでは小さな容器を抽出し、高い計算コストに悩まされている。 本研究では,選択スキップ接続におけるエンコーダ・デコーダのボトルネックに対する焦点変調の注意と領域認識の注意を組み込むことにより,LFRA-Netを提案する。 LFRA-Netは、正確で効果的な網膜血管セグメンテーションに最適化された軽量ネットワークである。 局所的およびグローバルな依存関係を効率的にキャプチャすることで、特徴表現と地域的焦点を高める。 LFRA-Netは、0.17万のパラメータ、0.66MBのメモリサイズ、10.50GFLOPの軽量な特性を維持しながら、多くの最先端モデルより優れていた。 DRIVE、STARE、CHASE\_DBの3つの公開データセットで検証しました。 DRIVE、STARE、CHASE\_DBのデータセットでは、Diceスコア(84.28\%、88.44\%、85.50\%)とJaccardインデックス(72.86\%、79.31\%、74.70\%)がそれぞれ向上した。 LFRA-Netは,既存のディープラーニング手法と比較して,セグメント化精度と計算コストの理想的な比を提供する。 コードはhttps://github.com/Mehwish4593/LFRA-Netで見ることができる。

関連論文リスト

• FocusNet: Transformer-enhanced Polyp Segmentation with Local and Pooling Attention [11.964732823289333]
  大腸内視鏡は大腸ポリープの早期診断に不可欠である。 定期スクリーニングは良性ポリープがCRCに進行するのを効果的に防ぐことができる。 本研究では,ポリプのセグメンテーションを改善するために,トランスフォーマー強化型フォーカスアテンションネットワークであるFocusNetを提案する。
  論文  参考訳（メタデータ） (2025-04-18T09:59:26Z)
• Enhancing Semantic Segmentation with Adaptive Focal Loss: A Novel Approach [21.134077729826107]
  そこで本研究では,クラス不均衡を緩和するための適応的なFocal Loss関数を提案する。 我々は、Picai 2022およびBraTS 2018データセット上でResNet50エンコードされたU-Netアーキテクチャを用いて、A-FLの性能を評価する。 この研究は、医療画像の臨床的に重要な領域をセグメント化するためのディープラーニングモデルを改善するA-FLの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-13T09:41:20Z)
• LATUP-Net: A Lightweight 3D Attention U-Net with Parallel Convolutions for Brain Tumor Segmentation [7.1789008189318455]
  LATUP-Netは、並列畳み込みを備えた軽量な3DアテンションU-Netである。 高いセグメンテーション性能を維持しつつ、計算要求を大幅に削減するように設計されている。 BraTS 2020データセットの平均Diceスコアは88.41%、83.82%、73.67%であり、BraTS 2021データセットでは、それぞれ90.29%、89.54%、83.92%である。
  論文  参考訳（メタデータ） (2024-04-09T00:05:45Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Center Focusing Network for Real-Time LiDAR Panoptic Segmentation [58.1194137706868]
  高精度かつリアルタイムなLiDARパノプティブセグメンテーションを実現するために、CFNet(Central Focus Network)を導入した。 CFFEは、元のLiDARポイントと仮想インスタンスセンターの関係を明確に理解するために提案されている。 我々のCFNetは、すべての既存のメソッドを大きなマージンで上回り、最も効率的なメソッドよりも1.6倍高速です。
  論文  参考訳（メタデータ） (2023-11-16T01:52:11Z)
• Multi-Scale Context-Guided Lumbar Spine Disease Identification with Coarse-to-fine Localization and Classification [22.62393344071125]
  この研究は、腰椎疾患の同定のための、粗大な局所化と分類を含むマルチスケールのコンテキスト誘導ネットワークCCF-Netを導入する。 実験結果から, 粗大な設計により, パラメータやデータ要求が少なく, 高い性能が得られる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-16T05:51:16Z)
• Lightweight Salient Object Detection in Optical Remote Sensing Images via Feature Correlation [93.80710126516405]
  本稿では,これらの問題に対処する軽量ORSI-SODソリューションであるCorrNetを提案する。 それぞれのコンポーネントのパラメータと計算を減らし、CorrNetは4.09Mのパラメータしか持たず、21.09GのFLOPで実行している。 2つの公開データセットの実験結果から、私たちの軽量なCorrNetは、26の最先端メソッドと比較して、競争力やパフォーマンスがさらに向上することが示された。
  論文  参考訳（メタデータ） (2022-01-20T08:28:01Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Efficient Regional Memory Network for Video Object Segmentation [56.587541750729045]
  半教師付きVOS(Regional Memory Network, RMNet)のための新しいローカル-ローカルマッチングソリューションを提案する。 提案するrmnetは、メモリとクエリフレームの両方における類似オブジェクトのあいまいさを効果的に緩和する。 実験結果から,提案したRMNetは,DAVISおよびYouTube-VOSデータセットの最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2021-03-24T02:08:46Z)
• LRNNet: A Light-Weighted Network with Efficient Reduced Non-Local Operation for Real-Time Semantic Segmentation [15.010572800399057]
  本稿では,高効率かつリアルタイムな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ために,LRNNetを用いた軽量ネットワークを提案する。 実験では、軽量、スピード、計算、精度のトレードオフが優れています。
  論文  参考訳（メタデータ） (2020-06-04T08:55:15Z)

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。