論文の概要: Fine tuning U-Net for ultrasound image segmentation: which layers?
- arxiv url: http://arxiv.org/abs/2002.08438v1
- Date: Wed, 19 Feb 2020 20:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 13:55:05.646511
- Title: Fine tuning U-Net for ultrasound image segmentation: which layers?
- Title（参考訳）: 超音波画像分割のための微調整u-net:どの層?
- Authors: Mina Amiri, Rupert Brooks, Hassan Rivaz
- Abstract要約: 大規模なデータセットでトレーニングされたネットワークを微調整することは、不足した高価なデータの問題を克服するための完全なトレーニングに代わるものだ。
乳房超音波画像分割における自然像の区分けを訓練したU-Netの異なる層を微調整した影響について検討した。
- 参考スコア（独自算出の注目度）: 3.265773263570237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-tuning a network which has been trained on a large dataset is an
alternative to full training in order to overcome the problem of scarce and
expensive data in medical applications. While the shallow layers of the network
are usually kept unchanged, deeper layers are modified according to the new
dataset. This approach may not work for ultrasound images due to their
drastically different appearance. In this study, we investigated the effect of
fine-tuning different layers of a U-Net which was trained on segmentation of
natural images in breast ultrasound image segmentation. Tuning the contracting
part and fixing the expanding part resulted in substantially better results
compared to fixing the contracting part and tuning the expanding part.
Furthermore, we showed that starting to fine-tune the U-Net from the shallow
layers and gradually including more layers will lead to a better performance
compared to fine-tuning the network from the deep layers moving back to shallow
layers. We did not observe the same results on segmentation of X-ray images,
which have different salient features compared to ultrasound, it may therefore
be more appropriate to fine-tune the shallow layers rather than deep layers.
Shallow layers learn lower level features (including speckle pattern, and
probably the noise and artifact properties) which are critical in automatic
segmentation in this modality.
- Abstract（参考訳）: 大規模データセットでトレーニングされたネットワークの微調整は、医療アプリケーションにおける不足と費用のかかるデータの問題を克服するために、フルトレーニングに代わるものだ。
ネットワークの浅い層は通常変更されないが、より深い層は新しいデータセットに従って変更される。
このアプローチは超音波画像の外観が著しく異なるため役に立たないかもしれない。
本研究では,乳房超音波画像分割における自然画像のセグメンテーションを訓練したu-netの異なる層を微調整する効果について検討した。
収縮部をチューニングし、膨張部を固定すると、収縮部を固定し、膨張部をチューニングするよりもかなり良い結果が得られる。
さらに, 浅い層からu-netを微調整し, 層を徐々に増やしていくと, 浅い層に戻る深層からネットワークを微調整するよりも優れた性能が得られることを示した。
超音波と異なる特異な特徴を有するx線画像のセグメンテーションについて,同じ結果が得られなかったので,深層よりも浅層を微調整するのが適切であると考えられた。
浅層は、このモードにおける自動セグメンテーションにおいて重要な低レベル特徴(スペックルパターン、おそらくはノイズとアーティファクト特性を含む)を学習する。
関連論文リスト
- Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
本稿では, 超音波を応用した非教師型深層学習手法を提案する。
我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。
スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
論文 参考訳（メタデータ） (2024-08-04T14:30:14Z) - LayerMerge: Neural Network Depth Compression through Layer Pruning and Merging [20.774060844559838]
既存の深度圧縮法では、冗長な非線形活性化関数を除去し、連続する畳み込み層を単一の層にマージする。
これらの手法は、マージされたレイヤのカーネルサイズが大きくなるという重大な欠点に悩まされる。
畳み込み層とアクティベーション関数を併用することにより,この問題に対処できることを示す。
本稿では,どのアクティベーション層と畳み込み層を除去するかを選択するディープ圧縮手法であるLayerMergeを提案する。
論文 参考訳（メタデータ） (2024-06-18T17:55:15Z) - Rethinking U-net Skip Connections for Biomedical Image Segmentation [0.4154350202907906]
アウト・オブ・ディストリビューションデータは、ニューラルネットワークの性能を著しく損なう可能性がある。
以前の研究では、トレーニングされたネットワーク層は、このドメインシフトに対する感受性が異なることが示されていた。
Hellinger 距離を用いて各ネットワーク層固有の領域感受性を定量化する。
論文 参考訳（メタデータ） (2024-02-13T08:07:14Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - 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) - 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) - CEC-CNN: A Consecutive Expansion-Contraction Convolutional Network for
Very Small Resolution Medical Image Classification [0.8108972030676009]
深層・中層・浅層からのマルチスケール特徴を保存できる新しいCNNアーキテクチャを提案する。
膵管腺癌(PDAC)CTの超低解像度パッチのデータセットを用いて,我々のネットワークが最先端のアートモデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-09-27T20:01:12Z) - Occlusion-Aware Instance Segmentation via BiLayer Network Architectures [73.45922226843435]
本稿では,2層畳み込みネットワーク(BCNet)を提案する。このネットワークでは,トップ層がオブジェクト(オブオーバ)を検出し,ボトム層が部分的にオブオーバドされたインスタンス(オブオーバド)を推測する。
一般的な畳み込みネットワーク設計,すなわちFCN(Fully Convolutional Network)とGCN(Graph Convolutional Network)を用いた2層構造の有効性について検討する。
論文 参考訳（メタデータ） (2022-08-08T21:39:26Z) - Leveraging Image Complexity in Macro-Level Neural Network Design for
Medical Image Segmentation [3.974175960216864]
画像の複雑さは、与えられたデータセットに最適なものを選択するためのガイドラインとして利用できることを示す。
高複雑性データセットの場合、元のイメージ上で実行される浅いネットワークは、ダウンサンプリングされたイメージ上で実行されるディープネットワークよりもセグメンテーション結果が優れている可能性がある。
論文 参考訳（メタデータ） (2021-12-21T09:49:47Z) - Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。
提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。
公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
論文 参考訳（メタデータ） (2020-06-27T08:24:46Z) - Shallow Feature Based Dense Attention Network for Crowd Counting [103.67446852449551]
静止画像から群衆を数えるためのShallow機能に基づくDense Attention Network (SDANet)を提案する。
提案手法は,SDANetの11.9%の平均絶対誤差(MAE)低下から明らかなように,既存の手法よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2020-06-17T13:34:42Z)
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。