論文の概要: UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2004.08790v1
- Date: Sun, 19 Apr 2020 08:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 00:05:09.622092
- Title: UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation
- Title（参考訳）: UNet 3+: 医用画像セグメンテーションのためのフルスケール接続されたUNet
- Authors: Huimin Huang, Lanfen Lin, Ruofeng Tong, Hongjie Hu, Qiaowei Zhang,
Yutaro Iwamoto, Xianhua Han, Yen-Wei Chen, Jian Wu
- Abstract要約: 提案するUNet 3+は,フルスケールのスキップ接続と深い監視機能を利用する。
提案手法は, 様々なスケールで現れる臓器に対して特に有用である。
- 参考スコア（独自算出の注目度）: 20.558512044987125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, a growing interest has been seen in deep learning-based semantic
segmentation. UNet, which is one of deep learning networks with an
encoder-decoder architecture, is widely used in medical image segmentation.
Combining multi-scale features is one of important factors for accurate
segmentation. UNet++ was developed as a modified Unet by designing an
architecture with nested and dense skip connections. However, it does not
explore sufficient information from full scales and there is still a large room
for improvement. In this paper, we propose a novel UNet 3+, which takes
advantage of full-scale skip connections and deep supervisions. The full-scale
skip connections incorporate low-level details with high-level semantics from
feature maps in different scales; while the deep supervision learns
hierarchical representations from the full-scale aggregated feature maps. The
proposed method is especially benefiting for organs that appear at varying
scales. In addition to accuracy improvements, the proposed UNet 3+ can reduce
the network parameters to improve the computation efficiency. We further
propose a hybrid loss function and devise a classification-guided module to
enhance the organ boundary and reduce the over-segmentation in a non-organ
image, yielding more accurate segmentation results. The effectiveness of the
proposed method is demonstrated on two datasets. The code is available at:
github.com/ZJUGiveLab/UNet-Version
- Abstract（参考訳）: 近年,深層学習に基づく意味セグメンテーションへの関心が高まっている。
エンコーダ-デコーダアーキテクチャを持つディープラーニングネットワークの1つであるunetは、医療画像のセグメンテーションで広く使われている。
マルチスケール機能を組み合わせることは、正確なセグメンテーションの重要な要素の1つである。
unet++は、入れ子と密接なスキップ接続を持つアーキテクチャを設計することで、修正されたunetとして開発された。
しかし、完全な規模から十分な情報を探ることができず、改善の余地は大きい。
本稿では,フルスケールのスキップ接続と深い監視機能を利用する新しいUNet 3+を提案する。
フルスケールのスキップ接続には、異なるスケールのフィーチャーマップから高レベルのセマンティクスを含む低レベルの詳細が含まれている。
提案手法は, 様々なスケールで出現する臓器に対して特に有益である。
精度の向上に加えて、提案するunet 3+はネットワークパラメータを削減し、計算効率を向上させることができる。
さらに, ハイブリッド損失関数を提案し, 分類誘導モジュールを考案し, 臓器の境界を拡大し, 非臓器像の過偏化を低減し, より正確なセグメンテーション結果を得る。
提案手法の有効性を2つのデータセットで示す。
コードは、github.com/ZJUGiveLab/UNet-Versionで入手できる。
関連論文リスト
- U-Net v2: Rethinking the Skip Connections of U-Net for Medical Image Segmentation [14.450329809640422]
医用画像分割のための新しい堅牢で効率的なU-Net変種であるU-Net v2を紹介する。
セマンティックな情報を低レベルの機能に注入し、同時に細かな詳細で高レベルの機能を改善することを目的としている。
論文 参考訳（メタデータ） (2023-11-29T16:35:24Z) - CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point
Cloud Learning [81.85951026033787]
この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。
また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。
提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
論文 参考訳（メタデータ） (2022-07-31T21:39:15Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections
for Medical Image Segmentation [0.5735035463793008]
本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。
提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。
エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
論文 参考訳（メタデータ） (2022-06-03T19:42:44Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image
and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。
本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。
提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文 参考訳（メタデータ） (2020-10-04T19:23:33Z) - DT-Net: A novel network based on multi-directional integrated
convolution and threshold convolution [7.427799203626843]
本稿では,新しいエンドツーエンドセマンティックセマンティックセグメンテーションアルゴリズムDT-Netを提案する。
また、医療画像のエンドツーエンドのセマンティックセグメンテーションをよりよく達成するために、2つの新しい畳み込み戦略を用いる。
論文 参考訳（メタデータ） (2020-09-26T11:12:06Z) - Multi-organ Segmentation over Partially Labeled Datasets with
Multi-scale Feature Abstraction [14.92032083210668]
完全な注釈付きデータセットの短縮は、ディープラーニングベースのイメージセグメンテーションアルゴリズムを開発する上で、制限要因となっている。
本稿では,新しいマルチスケールディープニューラルネットワークを複数の部分ラベル付きデータセット上でトレーニング可能な統合トレーニング戦略を提案する。
論文 参考訳（メタデータ） (2020-01-01T13:51:11Z)
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。