Fugu-MT 論文翻訳(概要): DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation

論文の概要: DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation

arxiv url: http://arxiv.org/abs/2006.00414v1
Date: Sun, 31 May 2020 02:23:55 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 13:09:13.789500
Title: DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient CNN for Medical Images Segmentation
Title（参考訳）: DC-UNet: 医用画像分割のためのデュアルチャネル効率の良いCNNによるU-Netアーキテクチャ再考
Authors: Ange Lou, Shuyue Guan, Murray Loew
Abstract要約: 我々は、このCNNに基づいて、新しい効果的なCNNアーキテクチャを作成し、DC-UNetを構築した。厳密なケースを持つ3つのデータセットでモデルを評価した結果、それぞれ2.90%、1.49%、1.42%のパフォーマンスが相対的に向上した。
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: Recently, deep learning has become much more popular in computer vision area. The Convolution Neural Network (CNN) has brought a breakthrough in images segmentation areas, especially, for medical images. In this regard, U-Net is the predominant approach to medical image segmentation task. The U-Net not only performs well in segmenting multimodal medical images generally, but also in some tough cases of them. However, we found that the classical U-Net architecture has limitation in several aspects. Therefore, we applied modifications: 1) designed efficient CNN architecture to replace encoder and decoder, 2) applied residual module to replace skip connection between encoder and decoder to improve based on the-state-of-the-art U-Net model. Following these modifications, we designed a novel architecture--DC-UNet, as a potential successor to the U-Net architecture. We created a new effective CNN architecture and build the DC-UNet based on this CNN. We have evaluated our model on three datasets with tough cases and have obtained a relative improvement in performance of 2.90%, 1.49% and 11.42% respectively compared with classical U-Net. In addition, we used the Tanimoto similarity to replace the Jaccard similarity for gray-to-gray image comparisons.
Abstract（参考訳）: 近年,コンピュータビジョン分野でのディープラーニングの普及が進んでいる。畳み込みニューラルネットワーク(CNN)は、特に医療画像において、画像セグメンテーション領域においてブレークスルーをもたらした。この点において、U-Netは医用画像分割タスクにおける主要なアプローチである。 U-Netは、一般的なマルチモーダル医療画像のセグメンテーションだけでなく、いくつかの厳しいケースでもよく機能する。しかし,従来のU-Netアーキテクチャにはいくつかの面で制限があることがわかった。そこで私たちは修正を加えました 1) エンコーダとデコーダの代わりに効率的なCNNアーキテクチャを設計する。 2) エンコーダとデコーダのスキップ接続を置き換えるために残留モジュールを適用し, 最先端のU-Netモデルに基づく改良を行った。これらの変更の後、我々はU-Netアーキテクチャの後継となる新しいアーキテクチャ--DC-UNetを設計した。我々は、このCNNに基づいて、新しい効果的なCNNアーキテクチャを作成し、DC-UNetを構築した。タフケースのある3つのデータセットについて評価を行い,従来のu-netと比較して,それぞれ2.90%,1.49%,11.42%の性能が向上した。また,灰色対グレー画像比較では,谷本類似度を用いてjaccard類似度を置き換えた。

関連論文リスト

OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文参考訳（メタデータ） (2024-03-21T14:06:38Z)
ConnectedUNets++: Mass Segmentation from Whole Mammographic Images [0.6349503549199401]
ConnectedUNets+とConnectedUNets++の2つの拡張バージョンを提示する。 ConnectedUNets+では、Connected-UNetsアーキテクチャの単純なスキップ接続を残留スキップ接続に置き換えましたが、ConnectedUNets++では、残留スキップ接続を使用しながらエンコーダ・デコーダ構造を変更しました。
論文参考訳（メタデータ） (2022-10-25T00:04:29Z)
Comparison Analysis of Traditional Machine Learning and Deep Learning Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文参考訳（メタデータ） (2022-04-11T11:34:43Z)
Turning old models fashion again: Recycling classical CNN networks using the Lattice Transformation [0.5837881923712392]
1990年代初頭、LeCunらは手書き数字の低解像度画像を分類するためにバックプロパゲーションアルゴリズムによって訓練されたCNNモデルを提案した。 2012年、Krizhevskyらは、ImageNetの課題に対して、画像分類の精度を大幅に向上させることで、CNNへの関心を復活させた。基地としてのマルチストリームネットワークとプリセプション・インフュージョンを用いて,従来の状態のバックボーンを利用するLCNNクロスフュージョン戦略について検討する。
論文参考訳（メタデータ） (2021-09-28T17:24:48Z)
CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal Biomedical Image Real-Time Segmentation [0.0]
我々は,新しい軽量アーキテクチャ -- 医療用チャネルワイズ機能ピラミッドネットワークを開発した。 u-netの約2%のパラメータと8mbのメモリを持つ5つの医療データセットで同等のセグメンテーション結果を達成している。
論文参考訳（メタデータ） (2021-05-10T02:29:11Z)
Learning Versatile Neural Architectures by Propagating Network Codes [74.2450894473073]
アーキテクチャの性能を複数のデータセットやタスクで予測できる新しい「神経予測器」を提案する。 ncpはネットワークコードから学習するが、オリジナルデータではないため、データセット間で効率的にアーキテクチャを更新することができる。
論文参考訳（メタデータ） (2021-03-24T15:20:38Z)
Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-04T08:52:46Z)
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)
Incorporating Image Gradients as Secondary Input Associated with Input Image to Improve the Performance of the CNN Model [0.0]
既存のCNNアーキテクチャでは、与えられた入力の1つの形式のみがネットワークに供給される。与えられた入力を複数の形式で同時にネットワークに渡す新しいアーキテクチャが提案されている。
論文参考訳（メタデータ） (2020-06-05T14:01:52Z)
Medical Image Segmentation Using a U-Net type of Architecture [0.0]
我々は、U-Netのアーキテクチャとボトルネック層における教師付きトレーニング戦略を組み合わせることで、元のU-Netアーキテクチャと同等の結果が得られると論じる。我々は,U-Netのエンコーダブランチのボトルネックに対して,完全に教師付きFC層に基づくピクセルワイズロスを導入する。 2層ベースのFCサブネットは、より多くのセマンティック情報を含むようにボトルネック表現をトレーニングし、デコーダ層が最終的なセグメンテーションマップを予測するために使用する。
論文参考訳（メタデータ） (2020-05-11T16:10:18Z)
Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。ベースライン上での精度と学習収束性を一貫した改善を示す。提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文参考訳（メタデータ） (2020-04-10T11:09:50Z)

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。