論文の概要: Meta Segmentation Network for Ultra-Resolution Medical Images
- arxiv url: http://arxiv.org/abs/2002.08043v1
- Date: Wed, 19 Feb 2020 08:05:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:01:51.393682
- Title: Meta Segmentation Network for Ultra-Resolution Medical Images
- Title(参考訳): 超解像医用画像のためのメタセグメンテーションネットワーク
- Authors: Tong Wu, Yuan Xie, Yanyun Qu, Bicheng Dai, Shuxin Chen
- Abstract要約: 本稿では,この課題を解決するためにMeta Network (MSN)を提案する。
メタラーニングの助けを借りて、MSNの融合モジュールは非常に単純だが効果的である。
MSNは最先端の手法と比較して最高の性能を達成する。
- 参考スコア(独自算出の注目度): 40.46779742417889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite recent progress on semantic segmentation, there still exist huge
challenges in medical ultra-resolution image segmentation. The methods based on
multi-branch structure can make a good balance between computational burdens
and segmentation accuracy. However, the fusion structure in these methods
require to be designed elaborately to achieve desirable result, which leads to
model redundancy. In this paper, we propose Meta Segmentation Network (MSN) to
solve this challenging problem. With the help of meta-learning, the fusion
module of MSN is quite simple but effective. MSN can fast generate the weights
of fusion layers through a simple meta-learner, requiring only a few training
samples and epochs to converge. In addition, to avoid learning all branches
from scratch, we further introduce a particular weight sharing mechanism to
realize a fast knowledge adaptation and share the weights among multiple
branches, resulting in the performance improvement and significant parameters
reduction. The experimental results on two challenging ultra-resolution medical
datasets BACH and ISIC show that MSN achieves the best performance compared
with the state-of-the-art methods.
- Abstract(参考訳): セマンティックセグメンテーションの最近の進歩にもかかわらず、医療用超解像セグメンテーションには大きな課題がある。
マルチブランチ構造に基づく手法は,計算負荷とセグメンテーション精度のバランスが良好である。
しかし、これらの方法の融合構造は望ましい結果を達成するために精巧に設計する必要があるため、モデル冗長性に繋がる。
本稿では,この課題を解決するためにメタセグメンテーションネットワーク(MSN)を提案する。
メタ学習の助けを借りて、MSNの融合モジュールは非常に単純だが効果的である。
msnは単純なメタリーナーを通じて融合層の重みを高速に生成でき、わずかなトレーニングサンプルとエポックだけを収束させる必要がある。
さらに,全ての枝をスクラッチから学習するのを避けるため,より高速な知識適応を実現し,複数の枝間で重みを共有するための,特定の重み共有機構を導入し,性能改善と重要なパラメータ低減を実現した。
超高分解能な医療データセットBACHとISICの2つの実験結果から,MSNは最先端の手法と比較して最高の性能を示した。
関連論文リスト
- A Collaborative Model-driven Network for MRI Reconstruction [9.441882492801174]
本稿では,ディープラーニング手法の性能向上のためのモデル駆動型ネットワークを提案する。
協調型モデル駆動ネットワークは、モデル駆動型ワーク、アテンションモジュール、修正モジュールで構成される。
実験の結果、計算の複雑さが増すことなく大幅な改善が見られた。
論文 参考訳(メタデータ) (2024-02-04T07:29:00Z) - MEDPSeg: End-to-end segmentation of pulmonary structures and lesions in
computed tomography [38.69538648742266]
本研究では, 肺, 気道, 肺動脈, 肺病変の分断法の開発を行った。
我々は,複数のターゲット,特にグラウンドガラスの不透明度と凝縮のセグメンテーションにおいて,最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-12-04T21:46:39Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Equivariant Multi-Modality Image Fusion [142.84362457655516]
エンドツーエンドの自己教師型学習のための同変多モードImAge融合パラダイムを提案する。
我々のアプローチは、自然像が特定の変換に等しくなるという以前の知識に基づいている。
実験により,赤外可視画像と医用画像の両方に対して高品質な融合結果が得られた。
論文 参考訳(メタデータ) (2023-05-19T05:50:24Z) - FMG-Net and W-Net: Multigrid Inspired Deep Learning Architectures For
Medical Imaging Segmentation [1.3812010983144802]
方程式の線形系をCNNに解くための幾何学的多重グリッド法の原理を取り入れた2つのアーキテクチャを提案する。
腫瘍サブコンポーネントセグメンテーションの精度とトレーニング効率に関して,-Net と W-Net はともに,広く使用されているU-Net アーキテクチャよりも優れていることを示す。
これらの知見は, 医用画像分割の精度と効率を向上させるために, マルチグリッド法をCNNに導入する可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-04-05T20:03:08Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - A Multi-View Dynamic Fusion Framework: How to Improve the Multimodal
Brain Tumor Segmentation from Multi-Views? [5.793853101758628]
本稿では,脳腫瘍セグメンテーションの性能向上を目的としたマルチビューダイナミックフュージョンフレームワークを提案する。
BRATS 2015とBRATS 2018で提案されたフレームワークを評価することで、マルチビューからの融合結果が単一ビューからのセグメンテーション結果よりも優れたパフォーマンスを達成できることが分かります。
論文 参考訳(メタデータ) (2020-12-21T09:45:23Z) - 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) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-22T14:32:04Z)
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。