Rethinking the Nested U-Net Approach: Enhancing Biomarker Segmentation with Attention Mechanisms and Multiscale Feature Fusion

要約

医療画像でバイオマーカーを特定することは、幅広いバイオテクノロジーアプリケーションに不可欠です。
ただし、最近の変圧器とCNNベースの方法は、形態と染色の変動に苦労していることが多く、特徴抽出能力が制限されます。
データサンプルがしばしば制限されている医療画像セグメンテーションでは、事前に訓練されたエンコーダーを使用することで最先端の（SOTA）方法を改善しますが、エンコーダーとデコーダー間でマルチスケール機能を効果的に転送するのが難しいため、エンドツーエンドのアプローチは通常不足しています。
これらの課題に対処するために、マルチスケールの特徴の融合と注意メカニズムを通じて、ローカルとグローバルの両方のコンテキストをキャプチャするネストされたUNETアーキテクチャを導入します。
この設計により、エンコーダーからの機能統合が改善され、キーチャネルと地域を強調し、空間的な詳細を復元してセグメンテーションのパフォーマンスを向上させます。
私たちの方法は、4つのデータセットと詳細なアブレーション研究の実験によって証明されるように、SOTAアプローチを上回ります。
コード：https：//github.com/saadwazir/ren-unet

要約(オリジナル)

Identifying biomarkers in medical images is vital for a wide range of biotech applications. However, recent Transformer and CNN based methods often struggle with variations in morphology and staining, which limits their feature extraction capabilities. In medical image segmentation, where data samples are often limited, state-of-the-art (SOTA) methods improve accuracy by using pre-trained encoders, while end-to-end approaches typically fall short due to difficulties in transferring multiscale features effectively between encoders and decoders. To handle these challenges, we introduce a nested UNet architecture that captures both local and global context through Multiscale Feature Fusion and Attention Mechanisms. This design improves feature integration from encoders, highlights key channels and regions, and restores spatial details to enhance segmentation performance. Our method surpasses SOTA approaches, as evidenced by experiments across four datasets and detailed ablation studies. Code: https://github.com/saadwazir/ReN-UNet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google