A Multi-Scale Channel Attention Network for Prostate Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Prostate cancer is one of the most common malignant tumors in men. Magnetic resonance imaging (MRI) has evolved to an important tool for the diagnosis of prostate cancer. Targeted biopsy is required for accurate diagnosis. This often requires MRI-ultrasound (MRI-US) fusion, as the biopsy is usually performed using transrectal ultrasound. Accurate prostate segmentation on MRI is essential for MRI-US fusion biopsy. However, the variation in prostate shape, appearance, and size makes the automatic segmentation challenging, given the limit of the annotated data. In this brief, we propose a method using multi-scale and Channel-wise Self-Attention (CSA) to re-calibrate the feature maps from multiple layers. By embedding the multi-scale CSA on the skip-connection in a UNet structure, called as UCAnet, we show the consistent improvement of the prostate segmentation in Dice, IoU and ASSD. For comparison, we also investigate the single-scale CSA in the networks, and incorporate the vision transformer to test if a transformer would boost the performance. Experiments on a public dataset with 204 prostate MRI scans show that UCAnet achieves the best performance and outperforms the state-of-the-art methods for prostate segmentation such as ENet, UNet, USE-Net and TransUNet.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle