Fugu-MT 論文翻訳(概要): MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation

論文の概要: MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation

arxiv url: http://arxiv.org/abs/1812.00352v3
Date: Mon, 18 Mar 2024 08:09:10 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 00:17:07.144676
Title: MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation
Title（参考訳）: MDU-Net:バイオメディカルイメージセグメンテーションのためのマルチスケール高密度接続U-Net
Authors: Jiawei Zhang, Yuzhen Jin, Jilan Xu, Xiaowei Xu, Yanchun Zhang,
Abstract要約: ディープ畳み込みネットワーク(DNN)は、バイオメディカルイメージセグメンテーションアプリケーションに多大な貢献をしている。本稿では,U字型アーキテクチャのデコーダであるエンコーダに対して,3つの異なるMDC(Multi-scale dense connection)を提案する。 3つのMDCは、MICCAI 2015 GlandデータセットでテストAで最大1.8%、テストBで最大3.5%改善している。
参考スコア（独自算出の注目度）: 13.666802097122396
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Biomedical image segmentation plays a central role in quantitative analysis, clinical diagnosis, and medical intervention. In the light of the fully convolutional networks (FCN) and U-Net, deep convolutional networks (DNNs) have made significant contributions to biomedical image segmentation applications. In this paper, we propose three different multi-scale dense connections (MDC) for the encoder, the decoder of U-shaped architectures, and across them. Based on three dense connections, we propose a multi-scale densely connected U-Net (MDU-Net) for biomedical image segmentation. MDU-Net directly fuses the neighboring feature maps with different scales from both higher layers and lower layers to strengthen feature propagation in the current layer. Multi-scale dense connections, which contain shorter connections between layers close to the input and output, also make a much deeper U-Net possible. Besides, we introduce quantization to alleviate the potential overfitting in dense connections, and further improve the segmentation performance. We evaluate our proposed model on the MICCAI 2015 Gland Segmentation (GlaS) dataset. The three MDC improve U-Net performance by up to 1.8% on test A and 3.5% on test B in the MICCAI Gland dataset. Meanwhile, the MDU-Net with quantization obviously improves the segmentation performance of original U-Net.
Abstract（参考訳）: バイオメディカルイメージセグメンテーションは、定量的分析、臨床診断、医療介入において中心的な役割を果たす。完全畳み込みネットワーク (FCN) と U-Net により、ディープ畳み込みネットワーク (DNN) はバイオメディカルイメージセグメンテーションの応用に多大な貢献をしている。本稿では,U字型アーキテクチャのデコーダであるエンコーダに対して,3つの異なるMDC(Multi-scale dense connection)を提案する。 3つの密接な接続に基づいて,バイオメディカルイメージセグメンテーションのためのマルチスケール密接なU-Net(MDU-Net)を提案する。 MDU-Netは、隣のフィーチャーマップを高層と低層の両方から異なるスケールで直接融合させ、現在のレイヤにおけるフィーチャの伝搬を強化する。入力と出力に近い層間の接続が短いマルチスケールの高密度接続は、さらに深いU-Netを可能にする。さらに,高密度接続におけるポテンシャル過適合を緩和し,さらにセグメンテーション性能を向上させるために量子化を導入する。提案手法をMICCAI 2015 Gland Segmentation (GlaS) データセット上で評価した。 3つのMDCはU-Netのパフォーマンスを最大1.8%改善し、MICCAI GlandデータセットではテストAでは3.5%向上した。一方、量子化を伴うMDU-Netは、明らかに元のU-Netのセグメンテーション性能を改善する。

関連論文リスト

MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification [25.056170817680403]
そこで本稿では,MAProtoNet と呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。医療画像における既存の解釈可能な部分ネットワークと比較して、MAProtoNetはローカライゼーションにおける最先端の性能を達成することができる。
論文参考訳（メタデータ） (2024-04-13T07:30:17Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文参考訳（メタデータ） (2022-11-10T13:11:21Z)
UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文参考訳（メタデータ） (2022-05-24T03:40:48Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Mutual Attention-based Hybrid Dimensional Network for Multimodal Imaging Computer-aided Diagnosis [4.657804635843888]
マルチモーダル3次元医用画像分類(MMNet)のための新しい相互注意型ハイブリッド次元ネットワークを提案する。ハイブリッド次元ネットワークは2D CNNと3D畳み込みモジュールを統合し、より深くより情報的な特徴マップを生成する。さらに,画像モダリティの異なる類似の立体視領域において,各領域の整合性を構築するために,ネットワーク内の相互注意フレームワークを設計する。
論文参考訳（メタデータ） (2022-01-24T02:31:25Z)
DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文参考訳（メタデータ） (2020-11-20T04:56:39Z)
KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文参考訳（メタデータ） (2020-10-04T19:23:33Z)
KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文参考訳（メタデータ） (2020-06-08T18:59:24Z)
CAggNet: Crossing Aggregation Network for Medical Image Segmentation [4.56877715768796]
クロス・アグリゲーション・ネットワーク (CAggNet) は医療画像解析のための新しいセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・アプローチである。 CAggNetでは、一般的なU-Netの単純なスキップ接続構造は、マルチレベルダウンサンプリング層とアップサンプリング層のアグリゲーションに置き換えられる。我々はCAggNetを2つの公開医用画像データセットでいくつかの先進的なU-Net法と比較した。
論文参考訳（メタデータ） (2020-04-16T15:39:38Z)
Multi-level Context Gating of Embedded Collective Knowledge for Medical Image Segmentation [32.96604621259756]
医用画像分割のためのU-Netの拡張を提案する。 U-Net, Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the mechanism of dense convolutions。提案モデルは6つのデータセットで評価される。
論文参考訳（メタデータ） (2020-03-10T12:29:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。