SlideMLP: A Pure Multi-layer Perceptrons Method For Medical Image Segmentation
Notice bibliographique
Résumé
Convolutional Neural Networks and Attention-based Transformer have emerged as the preferred models for medical image processing. Recently, specific network architectures relying solely on multilayer perceptrons (MLPs) have gained popularity and demonstrated excellent results in various computer vision tasks. In particular, CycleMLP has demonstrated good performance in dense prediction tasks owing to its adaptability to image size and linear computational complexity. However, the basic operator of CycleMLP has a fixed sampling location for any feature map and samples very few target organs in medical images characterized by an extreme imbalance between foreground and background. Therefore, effectively extracting the features of target organs becomes challenging. In this paper, we propose a new MLP-like module, SlideMLP, by considering the sparsity of target organs in medical images. This module extracts a set of offsets from the input feature maps and utilizes these offsets to re-select the sampling points. This approach effectively enhances the sampling rate of target organs while retaining the advantages of CycleMLP. Additionally, we constructed a U-shaped network with a pure MLP using this module and assessed its robustness using two datasets with different modalities. Comparative results with state-of-the-art methods demonstrate that the method proposed in this paper can achieve a substantial Dice Similarity Coe cient (DSC) while utilizing fewer parameters.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».