論文の概要: Multi-organ Segmentation over Partially Labeled Datasets with
Multi-scale Feature Abstraction
- arxiv url: http://arxiv.org/abs/2001.00208v2
- Date: Sat, 6 Jun 2020 14:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 09:28:45.233313
- Title: Multi-organ Segmentation over Partially Labeled Datasets with
Multi-scale Feature Abstraction
- Title（参考訳）: マルチスケール特徴抽象化を用いた部分ラベル付きデータセット上のマルチ組織セグメンテーション
- Authors: Xi Fang, Pingkun Yan
- Abstract要約: 完全な注釈付きデータセットの短縮は、ディープラーニングベースのイメージセグメンテーションアルゴリズムを開発する上で、制限要因となっている。
本稿では,新しいマルチスケールディープニューラルネットワークを複数の部分ラベル付きデータセット上でトレーニング可能な統合トレーニング戦略を提案する。
- 参考スコア（独自算出の注目度）: 14.92032083210668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shortage of fully annotated datasets has been a limiting factor in developing
deep learning based image segmentation algorithms and the problem becomes more
pronounced in multi-organ segmentation. In this paper, we propose a unified
training strategy that enables a novel multi-scale deep neural network to be
trained on multiple partially labeled datasets for multi-organ segmentation. In
addition, a new network architecture for multi-scale feature abstraction is
proposed to integrate pyramid input and feature analysis into a U-shape pyramid
structure. To bridge the semantic gap caused by directly merging features from
different scales, an equal convolutional depth mechanism is introduced.
Furthermore, we employ a deep supervision mechanism to refine the outputs in
different scales. To fully leverage the segmentation features from all the
scales, we design an adaptive weighting layer to fuse the outputs in an
automatic fashion. All these mechanisms together are integrated into a Pyramid
Input Pyramid Output Feature Abstraction Network (PIPO-FAN). Our proposed
method was evaluated on four publicly available datasets, including BTCV, LiTS,
KiTS and Spleen, where very promising performance has been achieved. The source
code of this work is publicly shared at https://github.com/DIAL-RPI/PIPO-FAN
for others to easily reproduce the work and build their own models with the
introduced mechanisms.
- Abstract（参考訳）: 完全注釈付きデータセットの短縮は、深層学習に基づく画像セグメント化アルゴリズムの開発において制限要因となり、この問題はマルチ組織セグメント化においてより顕著になる。
本稿では,新しいマルチスケールディープニューラルネットワークを複数の部分ラベル付きデータセット上でトレーニングし,マルチ組織セグメンテーションを実現するための統一的なトレーニング戦略を提案する。
さらに,u字型ピラミッド構造にピラミッド入力と特徴解析を統合するために,マルチスケール機能抽象化のための新しいネットワークアーキテクチャを提案する。
異なるスケールから特徴を直接マージすることによって生じる意味的ギャップを橋渡しするため、等畳み込み深さ機構を導入する。
さらに,異なるスケールで出力を洗練するために,深い監視機構を用いる。
すべてのスケールからセグメンテーション機能をフル活用するために、我々は適応重み付け層を設計し、出力を自動的に融合させる。
これらのメカニズムは、PIPO-FAN(Praamid Input Pyramid Output Feature Abstraction Network)に統合される。
提案手法はBTCV, LiTS, KiTS, Spleenの4つの公開データセットで評価され, 非常に有望な性能が得られた。
この作業のソースコードはhttps://github.com/DIAL-RPI/PIPO-FANで公開されています。
関連論文リスト
- Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - LENet: Lightweight And Efficient LiDAR Semantic Segmentation Using
Multi-Scale Convolution Attention [0.0]
本稿では,LDARに基づくセマンティックセマンティックセマンティクスのためのエンコーダデコーダ構造を持つLENetと呼ばれるプロジェクションベースのセマンティクスセマンティクスセマンティクスネットワークを提案する。
エンコーダは、特徴を捉えるために、様々な受信フィールドサイズを持つ新しいマルチスケール・コンボリューション・アテンション(MSCA)モジュールで構成されている。
提案手法は, 最先端のセマンティックセグメンテーション法と比較して, 軽量で, 効率的で, 堅牢であることを示す。
論文 参考訳（メタデータ） (2023-01-11T02:51:38Z) - BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。
対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。
提案手法は最先端手法よりも優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2022-06-25T13:13:37Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - Multi-scale and Cross-scale Contrastive Learning for Semantic
Segmentation [5.281694565226513]
セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。
まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
論文 参考訳（メタデータ） (2022-03-25T01:24:24Z) - Multi-level Second-order Few-shot Learning [111.0648869396828]
教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。
我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。
我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
論文 参考訳（メタデータ） (2022-01-15T19:49:00Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。
提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。
2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
論文 参考訳（メタデータ） (2020-12-23T09:33:11Z) - Semantic Segmentation With Multi Scale Spatial Attention For Self
Driving Cars [2.7317088388886384]
本稿では,様々なスケールのマルチスケール特徴融合を用いた新しいニューラルネットワークを提案し,その精度と効率的なセマンティックイメージセグメンテーションを提案する。
我々は、ResNetベースの特徴抽出器、ダウンサンプリング部における拡張畳み込み層、アップサンプリング部におけるアトラス畳み込み層を使用し、コンキャット操作を用いてそれらをマージした。
より文脈的な情報をエンコードし、ネットワークの受容領域を強化するため、新しいアテンションモジュールが提案されている。
論文 参考訳（メタデータ） (2020-06-30T20:19:09Z) - A novel Region of Interest Extraction Layer for Instance Segmentation [3.5493798890908104]
本稿では,既存のRoI抽出器の限界を克服する必要性を動機とする。
提案するレイヤ(Generic RoI Extractor - GRoIE)には,非ローカルなビルディングブロックとアテンション機構が導入され,パフォーマンスが向上する。
GRoIEは、オブジェクト検出とインスタンスセグメンテーションの両方のために、すべての2段階アーキテクチャとシームレスに統合できる。
論文 参考訳（メタデータ） (2020-04-28T17:07:32Z) - UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation [20.558512044987125]
提案するUNet 3+は,フルスケールのスキップ接続と深い監視機能を利用する。
提案手法は, 様々なスケールで現れる臓器に対して特に有用である。
論文 参考訳（メタデータ） (2020-04-19T08:05:59Z)
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。