要約
ポリープのセグメンテーションは近年大きな注目を集めており、賞賛に値する結果を得るために複数の手法が策定されている。しかし、これらの手法は、畳み込み演算の性質上、複雑なポリプの前景とその周辺領域を扱う際にしばしば困難に直面する。さらに、既存の手法の多くは、複数のデコーダステージから得られる潜在的な情報を利用することを忘れている。この課題に対処するために、CNNとTransformerを統合するためのベースラインとして導入されたMetaFormerをUNetフレームワークと組み合わせ、我々のマルチスケールアップサンプリングブロック(Multi-scale Upsampling block:MU)を組み込むことを提案する。このシンプルなモジュールは、浅いデコーダ段の複数の受容野経路を探索し、より良い特徴表現を集約するために上位段と加算することにより、多レベルの情報を組み合わせることを可能にし、医療画像セグメンテーションに不可欠である。これらを総合して、我々はポリープのセグメンテーションタスクのためのMetaFormer Multi-scale Upsampling Network (M$^2$UNet)を提案する。5つのベンチマークデータセットを用いた広範な実験により、我々の手法が、いくつかの先行手法と比較して、競争力のある性能を達成したことを実証する。
要約(オリジナル)
Polyp segmentation has recently garnered significant attention, and multiple methods have been formulated to achieve commendable outcomes. However, these techniques often confront difficulty when working with the complex polyp foreground and their surrounding regions because of the nature of convolution operation. Besides, most existing methods forget to exploit the potential information from multiple decoder stages. To address this challenge, we suggest combining MetaFormer, introduced as a baseline for integrating CNN and Transformer, with UNet framework and incorporating our Multi-scale Upsampling block (MU). This simple module makes it possible to combine multi-level information by exploring multiple receptive field paths of the shallow decoder stage and then adding with the higher stage to aggregate better feature representation, which is essential in medical image segmentation. Taken all together, we propose MetaFormer Multi-scale Upsampling Network (M$^2$UNet) for the polyp segmentation task. Extensive experiments on five benchmark datasets demonstrate that our method achieved competitive performance compared with several previous methods.
arxiv情報
著者 | Quoc-Huy Trinh,Nhat-Tan Bui,Trong-Hieu Nguyen Mau,Minh-Van Nguyen,Hai-Minh Phan,Minh-Triet Tran,Hai-Dang Nguyen |
発行日 | 2023-09-01 15:54:52+00:00 |
arxivサイト | arxiv_id(pdf) |