論文の概要: Complementary Network with Adaptive Receptive Fields for Melanoma Segmentation

• arxiv url: http://arxiv.org/abs/2001.03893v1
• Date: Sun, 12 Jan 2020 09:20:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 04:49:24.152055
• Title: Complementary Network with Adaptive Receptive Fields for Melanoma Segmentation
• Title（参考訳）: メラノーマセグメンテーションのための適応受容場を持つ補完ネットワーク
• Authors: Xiaoqing Guo, Zhen Chen, Yixuan Yuan
• Abstract要約: 既存の手法はホールに悩まされ、セグメンテーション性能に制限のある問題を縮小する。 メラノーマ病変を検出する前景ネットワークと,非メラノーマ領域をマスクする背景ネットワークを導入する。 本手法は,最先端メラノーマセグメンテーション法と比較して,86.4%のダイスコ効率を実現し,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 22.069817721081844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic melanoma segmentation in dermoscopic images is essential in computer-aided diagnosis of skin cancer. Existing methods may suffer from the hole and shrink problems with limited segmentation performance. To tackle these issues, we propose a novel complementary network with adaptive receptive filed learning. Instead of regarding the segmentation task independently, we introduce a foreground network to detect melanoma lesions and a background network to mask non-melanoma regions. Moreover, we propose adaptive atrous convolution (AAC) and knowledge aggregation module (KAM) to fill holes and alleviate the shrink problems. AAC explicitly controls the receptive field at multiple scales and KAM convolves shallow feature maps by dilated convolutions with adaptive receptive fields, which are adjusted according to deep feature maps. In addition, a novel mutual loss is proposed to utilize the dependency between the foreground and background networks, thereby enabling the reciprocally influence within these two networks. Consequently, this mutual training strategy enables the semi-supervised learning and improve the boundary-sensitivity. Training with Skin Imaging Collaboration (ISIC) 2018 skin lesion segmentation dataset, our method achieves a dice co-efficient of 86.4% and shows better performance compared with state-of-the-art melanoma segmentation methods.
• Abstract（参考訳）: 皮膚内視鏡像におけるメラノーマの自動分画は皮膚癌のコンピュータ診断に不可欠である。 既存の手法はホールに悩まされ、セグメンテーション性能に制限のある問題を縮小する。 そこで本研究では,適応的受容学習を用いた補足ネットワークを提案する。 セグメンテーションタスクを独立して行う代わりに, メラノーマ病変を検出するフォアグラウンドネットワークと, 非メラノーマ領域をマスキングするバックグラウンドネットワークを提案する。 さらに,アダプティブ・アラス・コンボリューション (AAC) とナレッジ・アグリゲーション・モジュール (KAM) を提案する。 aacは、複数のスケールでの受容野を明示的に制御し、kamは、深い特徴マップに従って調整される適応受容野と拡張された畳み込みによって、浅い特徴マップを畳み込みます。 さらに、前景と背景ネットワーク間の依存関係を利用するために、新たな相互損失が提案され、これらの2つのネットワーク内で相互に影響を及ぼすことができる。 この相互学習戦略により、半教師付き学習が可能となり、境界感性が向上する。 Skin Imaging Collaboration (ISIC) 2018 skin lesion segmentation dataset を用いて, ディスコ効率86.4%を達成し, 最先端のメラノーマ・セグメンテーション法と比較して優れた性能を示した。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Inter-Scale Dependency Modeling for Skin Lesion Segmentation with Transformer-based Networks [0.0]
  メラノーマは皮膚細胞の異常増殖によって引き起こされる皮膚がんの危険形態である。 U-Netアーキテクチャを含むFCNアプローチは、皮膚病変を自動的に分割して診断を支援する。 対称的U-Netモデルは優れた結果を示しているが、畳み込み演算を用いることで、長距離依存を捕捉する能力は制限されている。
  論文  参考訳（メタデータ） (2023-10-20T16:20:25Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
  本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。 Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。 また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
  論文  参考訳（メタデータ） (2023-05-29T15:51:31Z)
• LCAUnet: A skin lesion segmentation network with enhanced edge and body fusion [4.819821513256158]
  LCAUnetは、エッジとボディの特徴の融合による相補表現の能力を向上させるために提案されている。 公開データセットISIC 2017、ISIC 2018、PH2の実験では、LCAUnetが最先端の手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-01T14:05:53Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付き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自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation [10.648218637920035]
  自動皮膚病変分割のためのカスケードコンテキスト拡張ニューラルネットワークを定式化する。 ゲートベースの情報統合アプローチを用いた新しいコンテキストアグリゲーションモジュールを提案する。 4つの皮膚皮膚内視鏡画像データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-04-17T08:25:17Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。