Fugu-MT 論文翻訳(概要): Dense Residual Network for Retinal Vessel Segmentation

論文の概要: Dense Residual Network for Retinal Vessel Segmentation

arxiv url: http://arxiv.org/abs/2004.03697v1
Date: Tue, 7 Apr 2020 20:42:13 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 00:53:03.061835
Title: Dense Residual Network for Retinal Vessel Segmentation
Title（参考訳）: 網膜血管セグメンテーションのためのDense Residual Network
Authors: Changlu Guo, M\'arton Szemenyei, Yugen Yi, Ying Xue, Wei Zhou, Yangyuan Li
Abstract要約: 走査型レーザー眼鏡視下網膜像において,血管の分画を効果的に行う方法を提案する。 U-Net,「機能マップの再利用」,残差学習に触発され,DRNetと呼ばれる高密度残差ネットワーク構造を提案する。本手法は,データ拡張を伴わずとも最先端の性能を実現する。
参考スコア（独自算出の注目度）: 8.778525346264466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Retinal vessel segmentation plays an imaportant role in the field of retinal image analysis because changes in retinal vascular structure can aid in the diagnosis of diseases such as hypertension and diabetes. In recent research, numerous successful segmentation methods for fundus images have been proposed. But for other retinal imaging modalities, more research is needed to explore vascular extraction. In this work, we propose an efficient method to segment blood vessels in Scanning Laser Ophthalmoscopy (SLO) retinal images. Inspired by U-Net, "feature map reuse" and residual learning, we propose a deep dense residual network structure called DRNet. In DRNet, feature maps of previous blocks are adaptively aggregated into subsequent layers as input, which not only facilitates spatial reconstruction, but also learns more efficiently due to more stable gradients. Furthermore, we introduce DropBlock to alleviate the overfitting problem of the network. We train and test this model on the recent SLO public dataset. The results show that our method achieves the state-of-the-art performance even without data augmentation.
Abstract（参考訳）: 網膜血管のセグメンテーションは、網膜血管構造の変化が高血圧や糖尿病などの疾患の診断に役立つため、網膜画像解析の分野で重要な役割を担っている。近年,眼底画像のセグメンテーション手法が多数提案されている。しかし、他の網膜画像モダリティにとって、血管抽出の研究にはさらなる研究が必要である。本研究では,走査型レーザー眼内視鏡(slo)網膜画像において血管を分割する効率的な方法を提案する。 U-Net,「機能マップの再利用」,残差学習に触発され,DRNetと呼ばれる高密度残差ネットワーク構造を提案する。 DRNetでは、前のブロックの特徴マップを入力として後続の層に適応的に集約し、空間再構成を容易にするだけでなく、より安定した勾配のためにより効率的に学習する。さらに,ネットワークのオーバーフィッティング問題を軽減するためにDropBlockを導入する。私たちは、最近のSLOパブリックデータセットでこのモデルをトレーニングし、テストします。その結果,本手法はデータ拡張を伴わずとも最先端の性能を実現することができた。

関連論文リスト

Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文参考訳（メタデータ） (2023-06-19T14:01:47Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文参考訳（メタデータ） (2023-04-29T16:11:34Z)
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)
Parametric Scaling of Preprocessing assisted U-net Architecture for Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。 ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文参考訳（メタデータ） (2022-03-18T15:26:05Z)
Transfer Learning Through Weighted Loss Function and Group Normalization for Vessel Segmentation from Retinal Images [0.0]
血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。提案手法は,他の手法よりもセグメンテーション精度が高い。
論文参考訳（メタデータ） (2020-12-16T20:34:48Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)
Residual Spatial Attention Network for Retinal Vessel Segmentation [6.513112974264861]
本稿では網膜血管分割のための残留空間注意ネットワーク(RSAN)を提案する。 RSANはDropBlockを統合する改良された残留ブロック構造を採用している。ネットワークの表現能力をさらに向上するために、空間注意(SA)を導入し、残留空間注意ブロック(RSAB)を提案する。
論文参考訳（メタデータ） (2020-09-18T13:17:13Z)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。