최근, Convolutional Neural Networks 기반 U-Net 과 같은 인코더디코더 아키텍처 네트워크가 의료 영상 세그먼트에서 인기가 있지만 고전적인 U-Net 모델에는 여전히 몇 가지 약점이 존재한다. 첫째, 멀티 스케일 접근법은 저수준 엔코더에서 불필요한 정보를 제공하여 좋지 않은 결과를 생성한다. 둘째, 상황 정보가 불충분한 인코더 특징들은 대응되는 디코더 ...
최근, Convolutional Neural Networks 기반 U-Net 과 같은 인코더디코더 아키텍처 네트워크가 의료 영상 세그먼트에서 인기가 있지만 고전적인 U-Net 모델에는 여전히 몇 가지 약점이 존재한다. 첫째, 멀티 스케일 접근법은 저수준 엔코더에서 불필요한 정보를 제공하여 좋지 않은 결과를 생성한다. 둘째, 상황 정보가 불충분한 인코더 특징들은 대응되는 디코더 특징 맵과 연결될 때 픽셀 단위 인식 성능을 저하시킨다. 이 연구에서는 이러한 문제점을 해결하기 위해 의료 이미지 분할 작업에서 인코더-디코더 네트워크의 성능을 개선하는 Spatial-Channel AttentionGate 모듈을 제안한다. Spatial-Channel Attention Gate 는 계산 리소스를 최소화하면서 모델의 성능을 향상시키면서 인코더 디코더 아키텍처에 쉽게 통합 할 수 있습니다. 실험결과는 공간 채널주의39 게이트가 기준 엔코더 디코더 아키텍처의 세그먼테이션 기능을 향상 하는것을 보여준다.
최근, Convolutional Neural Networks 기반 U-Net 과 같은 인코더 디코더 아키텍처 네트워크가 의료 영상 세그먼트에서 인기가 있지만 고전적인 U-Net 모델에는 여전히 몇 가지 약점이 존재한다. 첫째, 멀티 스케일 접근법은 저수준 엔코더에서 불필요한 정보를 제공하여 좋지 않은 결과를 생성한다. 둘째, 상황 정보가 불충분한 인코더 특징들은 대응되는 디코더 특징 맵과 연결될 때 픽셀 단위 인식 성능을 저하시킨다. 이 연구에서는 이러한 문제점을 해결하기 위해 의료 이미지 분할 작업에서 인코더-디코더 네트워크의 성능을 개선하는 Spatial-Channel Attention Gate 모듈을 제안한다. Spatial-Channel Attention Gate 는 계산 리소스를 최소화하면서 모델의 성능을 향상시키면서 인코더 디코더 아키텍처에 쉽게 통합 할 수 있습니다. 실험결과는 공간 채널주의39 게이트가 기준 엔코더 디코더 아키텍처의 세그먼테이션 기능을 향상 하는것을 보여준다.
Even though convolutional neural networks, encoder-decoder architecture network like U-Net is popular in segmenting of medical imaging, classical U-Net model still has some weakness points. First, the multi-scale approach tends to use unnecessary information, where likable low-level enco...
Even though convolutional neural networks, encoder-decoder architecture network like U-Net is popular in segmenting of medical imaging, classical U-Net model still has some weakness points. First, the multi-scale approach tends to use unnecessary information, where likable low-level encoder features was used at multiple scales. Second, the contextual information of the encoder feature at the beginning of network is insufficient, leading to the poor performance for pixel-wise recognition when concatenating with corresponding decoder feature map. In this study, we make an effort to get over these limitations by introducing our novel spatial-channel attention gate module for improving the performance of encoder-decoder network on medical image segmentation task. Our spatial-channel attention gate can easily incorporate into popular encoder-decodervi architecture like U-Net architectures with minimizing computational resource while remarkably increasing the power of the model. Comprehensive results reveal that our spatial-channel attention gate remarkably enhances the segmentation capability of the baseline encoder-decoder architectures.
Even though convolutional neural networks, encoder-decoder architecture network like U-Net is popular in segmenting of medical imaging, classical U-Net model still has some weakness points. First, the multi-scale approach tends to use unnecessary information, where likable low-level encoder features was used at multiple scales. Second, the contextual information of the encoder feature at the beginning of network is insufficient, leading to the poor performance for pixel-wise recognition when concatenating with corresponding decoder feature map. In this study, we make an effort to get over these limitations by introducing our novel spatial-channel attention gate module for improving the performance of encoder-decoder network on medical image segmentation task. Our spatial-channel attention gate can easily incorporate into popular encoder-decodervi architecture like U-Net architectures with minimizing computational resource while remarkably increasing the power of the model. Comprehensive results reveal that our spatial-channel attention gate remarkably enhances the segmentation capability of the baseline encoder-decoder architectures.
주제어
#Semantic segmentation Medical imaging U-Net Attention Gate
학위논문 정보
저자
르 바 칸 트린
학위수여기관
전남대학교
학위구분
국내석사
학과
전자컴퓨터공학과
지도교수
양형정
발행연도
2020
총페이지
45
키워드
Semantic segmentation Medical imaging U-Net Attention Gate
※ AI-Helper는 부적절한 답변을 할 수 있습니다.