Fugu-MT 論文翻訳(概要): CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation

論文の概要: CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation

arxiv url: http://arxiv.org/abs/2003.10144v1
Date: Mon, 23 Mar 2020 09:27:26 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 00:44:18.860467
Title: CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation
Title（参考訳）: cf2-net : 乳房超音波画像分割のための核融合畳み込みネットワーク
Authors: Zhenyuan Ning, Ke Wang, Shengzhou Zhong, Qianjin Feng, Yu Zhang
Abstract要約: BUS画像セグメンテーションのための新しい特徴統合戦略(「E」のような型を生成する)に基づいて、粗大な融合畳み込みネットワーク(CF2-Net)を提案し、評価する。提案するCF2-Netは4倍のクロスバリデーションを用いてオープンデータセットで評価した。実験の結果,CF2-Netは,他の深層学習手法と比較して最先端の性能が得られることがわかった。
参考スコア（独自算出の注目度）: 14.807364495808779
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Breast ultrasound (BUS) image segmentation plays a crucial role in a computer-aided diagnosis system, which is regarded as a useful tool to help increase the accuracy of breast cancer diagnosis. Recently, many deep learning methods have been developed for segmentation of BUS image and show some advantages compared with conventional region-, model-, and traditional learning-based methods. However, previous deep learning methods typically use skip-connection to concatenate the encoder and decoder, which might not make full fusion of coarse-to-fine features from encoder and decoder. Since the structure and edge of lesion in BUS image are common blurred, these would make it difficult to learn the discriminant information of structure and edge, and reduce the performance. To this end, we propose and evaluate a coarse-to-fine fusion convolutional network (CF2-Net) based on a novel feature integration strategy (forming an 'E'-like type) for BUS image segmentation. To enhance contour and provide structural information, we concatenate a super-pixel image and the original image as the input of CF2-Net. Meanwhile, to highlight the differences in the lesion regions with variable sizes and relieve the imbalance issue, we further design a weighted-balanced loss function to train the CF2-Net effectively. The proposed CF2-Net was evaluated on an open dataset by using four-fold cross validation. The results of the experiment demonstrate that the CF2-Net obtains state-of-the-art performance when compared with other deep learning-based methods
Abstract（参考訳）: 乳房超音波(BUS)画像セグメンテーションは,乳がん診断の精度を高めるための有用なツールとして,コンピュータ支援診断システムにおいて重要な役割を担っている。近年,バス画像のセグメンテーションのための深層学習手法が数多く開発され,従来型,モデル型,従来型学習方式と比較して,いくつかの利点がある。しかし、従来のディープラーニング手法では、通常、スキップ接続を使ってエンコーダとデコーダを結合するが、これはエンコーダとデコーダの粗い機能を完全に融合させるものではない。バス画像における病変の構造とエッジはぼやけやすいため、構造とエッジの識別情報を学習し、性能を低下させることが困難となる。そこで本稿では,BUS画像セグメンテーションのための新たな機能統合戦略("E"ライクな型を生成する)に基づいて,粗大な融合畳み込みネットワーク(CF2-Net)を提案し,評価する。輪郭を強化し、構造情報を提供するため、cf2-netの入力としてスーパーピクセル画像と原画像とを結合する。一方,病変領域の差異を強調し,不均衡問題を緩和するため,cf2-netを効果的に訓練するための重み付きバランス損失関数を更に設計する。提案するcf2-netは4次元クロス検証を用いてオープンデータセット上で評価された。実験の結果、CF2-Netは、他の深層学習法と比較して最先端の性能が得られることを示した。

関連論文リスト

FusionLungNet: Multi-scale Fusion Convolution with Refinement Network for Lung CT Image Segmentation [1.3124513975412255]
肺がんの早期発見は治療の成功率を高める。新しい肺分画法は画像成分間の長距離関係の同定に困難に直面している。本稿では,鍵成分を持つ多層構造を持つFusionLungNetネットワークを用いたハイブリッド手法を提案する。
論文参考訳（メタデータ） (2024-10-21T09:27:51Z)
CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
論文参考訳（メタデータ） (2024-03-03T13:36:07Z)
BEFUnet: A Hybrid CNN-Transformer Architecture for Precise Medical Image Segmentation [0.0]
本稿では,医療画像の正確な分割のために,身体情報とエッジ情報の融合を強化するBEFUnetという,革新的なU字型ネットワークを提案する。 BEFUnetは、新しいローカル・クロス・アテンション・フィーチャー(LCAF)融合モジュール、新しいダブル・レベル・フュージョン(DLF)モジュール、デュアルブランチ・エンコーダの3つの主要モジュールから構成されている。 LCAFモジュールは、2つのモダリティの間に空間的に近接する特徴に対して、局所的な相互注意を選択的に行うことにより、エッジとボディの特徴を効率よく融合させる。
論文参考訳（メタデータ） (2024-02-13T21:03:36Z)
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)
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)
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)
Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。実験では,4つのデータセット上でのモデルの有効性を検証した。
論文参考訳（メタデータ） (2021-07-24T02:58:32Z)
Learning With Context Feedback Loop for Robust Medical Image Segmentation [1.881091632124107]
2つのシステムを用いた医用画像セグメンテーションのための完全自動深層学習法を提案する。 1つ目は、入力画像からセグメンテーション結果を予測するエンコーダデコーダcnnのフォワードシステムである。フォワードシステムの予測確率出力は、完全な畳み込みネットワーク(FCN)ベースのコンテキストフィードバックシステムによって符号化される。
論文参考訳（メタデータ） (2021-03-04T05:44:59Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
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)
Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography [18.979126709943085]
本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-08-07T02:23:36Z)

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。