論文の概要: OR-UNet: an Optimized Robust Residual U-Net for Instrument Segmentation in Endoscopic Images

• arxiv url: http://arxiv.org/abs/2004.12668v1
• Date: Mon, 27 Apr 2020 09:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 05:47:03.131018
• Title: OR-UNet: an Optimized Robust Residual U-Net for Instrument Segmentation in Endoscopic Images
• Title（参考訳）: OR-UNet:内視鏡画像における機器分割のためのロバスト残差U-Net最適化
• Authors: Fabian Isensee and Klaus H. Maier-Hein
• Abstract要約: 内視鏡画像分割のための頑健な2次元残差U-NetであるOR-UNetについて述べる。 ディスとクロスエントロピーの損失と深い監督の合計で訓練されている。 トレーニング画像上の8倍のクロスバリデーションでは、平均Diceスコアが87.41点(94.35点)に達した。
• 参考スコア（独自算出の注目度）: 2.8851393143493573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of endoscopic images is an essential processing step for computer and robotics-assisted interventions. The Robust-MIS challenge provides the largest dataset of annotated endoscopic images to date, with 5983 manually annotated images. Here we describe OR-UNet, our optimized robust residual 2D U-Net for endoscopic image segmentation. As the name implies, the network makes use of residual connections in the encoder. It is trained with the sum of Dice and cross-entropy loss and deep supervision. During training, extensive data augmentation is used to increase the robustness. In an 8-fold cross-validation on the training images, our model achieved a mean (median) Dice score of 87.41 (94.35). We use the eight models from the cross-validation as an ensemble on the test set.
• Abstract（参考訳）: 内視鏡画像のセグメンテーションは、コンピュータとロボティクスによる介入に不可欠な処理ステップである。 Robust-MISチャレンジは、これまでで最大の注釈付き内視鏡画像データセットを提供する。 ここでは,内視鏡的画像分割に最適化された頑健な2次元u-netor-unetについて述べる。 名前が示すように、ネットワークはエンコーダ内の残余接続を利用する。 ディスとクロスエントロピーの損失と深い監督の合計で訓練されている。 トレーニングでは、堅牢性を高めるために広範なデータ拡張が使用される。 トレーニング画像上で8倍のクロスバリデーションを行い,平均(中間)サイススコア87.41 (94.35) を達成した。 クロスバリデーションの8つのモデルをテストセットのアンサンブルとして使用します。

関連論文リスト

• Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images [0.0]
  U-Netとエンコーダデコーダアーキテクチャに基づくニューラルネットワーク(NN)を提案する。 我々のネットワーク(CResU-Net)は82.88%、77.5%、90.3%、98.4%のDice類似係数を得た。
  論文  参考訳（メタデータ） (2024-09-01T07:47:48Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• FDRN: A Fast Deformable Registration Network for Medical Images [3.3504365823045044]
  本稿では,高速な畳み込みニューラルネットワークを提案する。 FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-04T14:09:51Z)
• Comprehensive Comparison of Deep Learning Models for Lung and COVID-19 Lesion Segmentation in CT scans [11.024688703207627]
  本稿では,CT(Computerized Tomography)スキャンにおいて,肺の深層学習モデルとCOVID-19病変のセグメンテーションを比較した。 4つのDLアーキテクチャ(Unet, Linknet, FPN, PSPNet)と25のランダムおよび事前訓練エンコーダを組み合わせて200の試験モデルを構築する。 肺の分節, 病変の分節, 病変の分節の3つの実験を, オリジナルの肺マスクを用いて行った。
  論文  参考訳（メタデータ） (2020-09-10T08:05:06Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
  3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。 VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。 そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
  論文  参考訳（メタデータ） (2020-04-04T18:55:06Z)

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。