Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging

Created by
  • Haebom

作者

Arefin Ittesafun Abian, Ripon Kumar Debnath, Md. Abdur Rahman, Mohaimenul Azam Khan Raiaan, Md Rafiqul Islam, Asif Karim, Reem E. Mohamed, Sami Azam

概要

HANS-Netは、複雑な解剖学的構造、腫瘍外観の変化、限られた注釈データのために困難を経験する腹部CT画像における正確な肝臓および腫瘍分割のための新しい分割フレームワークです。階層的幾何学的表現のための双曲線合成積、マルチスケールテクスチャ学習のためのウェーブレットに触発された分解モジュール、適応的特徴を向上させるための生物学的に動機付けられたシナプス可塑性メカニズム、および微細で連続的な解剖学的境界をモデル化するための暗黙の神経表現分岐を統合します。さらに、予測信頼性を定量化するために、不確実性認識モンテカルロドロップアウトと効率を犠牲にすることなく、スライス間の一貫性を向上させるために軽量の時間的アテンションを組み込みます。 LiTSデータセットの広範な評価は、HANS-Netが平均Diceスコア93.26％、IoU 88.09％、平均対称表面距離（ASSD）0.72mm、体積冗長誤差（VOE）11.91％を達成したことを示しています。 3D-IRCADb-01データセットのクロスデータセット検証は、平均Dice 87.45%、IoU 80.30%、ASSD 1.525mm、VOE 19.71%を取得し、異なるデータセットで強力な一般化性能を示します。これらの結果は、HANS-Netが解剖学的に一貫して正確で信頼性の高い肝臓と腫瘍の分割を提供する効果と強力さを確認します。

Takeaways、Limitations

•
Takeaways：
◦
双曲線合成積,ウェーブレット分解,シナプス可塑性,暗黙の神経表現を組み合わせた新しいアーキテクチャによる肝臓と腫瘍の分割の精度向上
◦
不確実性認識モンテカルロドロップアウトと軽量時間アテンションによる予測信頼性とスライス間の一貫性の向上
◦
LiTSおよび3D-IRCADb-01データセットの優れた性能で、さまざまなデータセットの強力な一般化性能を実証。
•
Limitations：
◦
限られたデータセットでのパフォーマンス評価。より多様で幅広いデータセットを使用した追加の検証が必要です。
◦
他の最先端モデルとの比較分析が不足。
◦
計算コストとメモリ使用量の分析が不足しています。効率性の点で長所と短所をさらに分析する必要があります。
👍
Made with Slashpage