| عنوان مقاله به انگلیسی | Slicer Networks |
| عنوان مقاله به فارسی | شبکه های برش دهنده |
| نویسندگان | Hang Zhang, Xiang Chen, Rongguang Wang, Renjiu Hu, Dongdong Liu, Gaolei Li |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | In medical imaging, scans often reveal objects with varied contrasts but consistent internal intensities or textures. This characteristic enables the use of low-frequency approximations for tasks such as segmentation and deformation field estimation. Yet, integrating this concept into neural network architectures for medical image analysis remains underexplored. In this paper, we propose the Slicer Network, a novel architecture designed to leverage these traits. Comprising an encoder utilizing models like vision transformers for feature extraction and a slicer employing a learnable bilateral grid, the Slicer Network strategically refines and upsamples feature maps via a splatting-blurring-slicing process. This introduces an edge-preserving low-frequency approximation for the network outcome, effectively enlarging the effective receptive field. The enhancement not only reduces computational complexity but also boosts overall performance. Experiments across different medical imaging applications, including unsupervised and keypoints-based image registration and lesion segmentation, have verified the Slicer Network’s improved accuracy and efficiency. |
| تعداد صفحات | 10 |
| چکیده به فارسی (ترجمه ماشینی) | در تصویربرداری پزشکی ، اسکن ها اغلب اشیاء با تضادهای متنوع اما شدت یا بافت داخلی را نشان می دهند.این ویژگی استفاده از تقریب های با فرکانس پایین را برای کارهایی مانند تقسیم بندی و تخمین میدان تغییر شکل امکان پذیر می کند.با این حال ، ادغام این مفهوم در معماری های شبکه عصبی برای تجزیه و تحلیل تصویر پزشکی همچنان نادیده گرفته می شود.در این مقاله ، ما شبکه Slicer را پیشنهاد می کنیم ، یک معماری جدید که برای استفاده از این صفات طراحی شده است.با استفاده از یک رمزگذار با استفاده از مدلهایی مانند ترانسفورماتورهای بینایی برای استخراج ویژگی ها و یک برش که از یک شبکه دو طرفه قابل یادگیری استفاده می کند ، شبکه Slicer به صورت استراتژیک تصفیه می کند و Upsamples نقشه ها را از طریق یک فرآیند شستشوی لکه دار به وجود می آورد.این یک تقریب با فرکانس پایین را برای نتیجه شبکه معرفی می کند ، و به طور مؤثر زمینه پذیرش مؤثر را بزرگ می کند.پیشرفت نه تنها پیچیدگی محاسباتی را کاهش می دهد بلکه باعث افزایش عملکرد کلی می شود.آزمایشات در برنامه های مختلف تصویربرداری پزشکی ، از جمله ثبت نام تصویر بدون نظارت و مبتنی بر کلیدها و تقسیم ضایعه ، دقت و کارآیی بهبود یافته شبکه Slicer را تأیید کرده است. |
| دسته بندی موضوعات | Image and Video Processing,Artificial Intelligence,Computer Vision and Pattern Recognition,پردازش تصویر و فیلم ، هوش مصنوعی ، دید رایانه و تشخیص الگوی ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. , Comments: 8 figures and 3 tables |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: 8 شکل و 3 جدول |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|