論文の概要: U-Det: A Modified U-Net architecture with bidirectional feature network
for lung nodule segmentation
- arxiv url: http://arxiv.org/abs/2003.09293v1
- Date: Fri, 20 Mar 2020 14:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 21:48:39.684382
- Title: U-Det: A Modified U-Net architecture with bidirectional feature network
for lung nodule segmentation
- Title（参考訳）: U-Det:肺結節分割のための双方向特徴ネットワークを用いたU-Netアーキテクチャ
- Authors: Nikhil Varma Keetha, Samson Anosh Babu P, Chandra Sekhara Rao
Annavarapu
- Abstract要約: 本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。
提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。
U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early diagnosis and analysis of lung cancer involve a precise and efficient
lung nodule segmentation in computed tomography (CT) images. However, the
anonymous shapes, visual features, and surroundings of the nodule in the CT
image pose a challenging problem to the robust segmentation of the lung
nodules. This article proposes U-Det, a resource-efficient model architecture,
which is an end to end deep learning approach to solve the task at hand. It
incorporates a Bi-FPN (bidirectional feature network) between the encoder and
decoder. Furthermore, it uses Mish activation function and class weights of
masks to enhance segmentation efficiency. The proposed model is extensively
trained and evaluated on the publicly available LUNA-16 dataset consisting of
1186 lung nodules. The U-Det architecture outperforms the existing U-Net model
with the Dice similarity coefficient (DSC) of 82.82% and achieves results
comparable to human experts.
- Abstract（参考訳）: 肺癌の早期診断と解析にはct画像における高精度かつ効率的な肺結節分画が関与している。
しかし,CT像における結節の匿名形状,視覚的特徴,周囲は,肺結節の堅牢な分節化に困難を呈する。
本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。
エンコーダとデコーダの間にBi-FPN(双方向機能ネットワーク)が組み込まれている。
さらに、Mishアクティベーション機能とマスクのクラスウェイトを使用してセグメンテーション効率を向上させる。
提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。
U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
関連論文リスト
- InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳（メタデータ） (2024-08-12T19:19:23Z) - Automatic segmentation of lung findings in CT and application to Long
COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。
S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文 参考訳（メタデータ） (2023-10-13T23:42:43Z) - MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network
with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。
MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。
LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文 参考訳（メタデータ） (2023-04-04T07:05:15Z) - CT-LungNet: A Deep Learning Framework for Precise Lung Tissue
Segmentation in 3D Thoracic CT Scans [1.1014741301167645]
本稿では,3次元肺CT画像中の肺をディープネットワークと転写学習を用いて同定する完全自動手法を提案する。
VESSEL12とCRPFの2つの公開データセットとトレーニングとテストのために,LUNA16という1つの公開データセットを用いて定量的に評価した。
論文 参考訳（メタデータ） (2022-12-28T17:37:08Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 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) - AWEU-Net: An Attention-Aware Weight Excitation U-Net for Lung Nodule
Segmentation [10.424363966870773]
肺がんは致命的ながんであり、毎年何百万人もの死者を出している。
既存のシステムのほとんどは半自動化されており、手動で肺と結節領域を選択する必要がある。
深層学習に基づく完全自動肺結節検出・分節システムを提案する。
論文 参考訳（メタデータ） (2021-10-11T10:35:44Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳（メタデータ） (2020-06-25T07:20:41Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z)
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。