論文の概要: DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2006.04868v2
• Date: Sat, 27 Jun 2020 15:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-24 02:28:03.938752
• Title: DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation
• Title（参考訳）: DoubleU-Net: 医用画像分割のための深層畳み込みニューラルネットワーク
• Authors: Debesh Jha, Michael A. Riegler, Dag Johansen, P{\aa}l Halvorsen, H{\aa}vard D. Johansen
• Abstract要約: DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
• 参考スコア（独自算出の注目度）: 1.6416058750198184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic image segmentation is the process of labeling each pixel of an image with its corresponding class. An encoder-decoder based approach, like U-Net and its variants, is a popular strategy for solving medical image segmentation tasks. To improve the performance of U-Net on various segmentation tasks, we propose a novel architecture called DoubleU-Net, which is a combination of two U-Net architectures stacked on top of each other. The first U-Net uses a pre-trained VGG-19 as the encoder, which has already learned features from ImageNet and can be transferred to another task easily. To capture more semantic information efficiently, we added another U-Net at the bottom. We also adopt Atrous Spatial Pyramid Pooling (ASPP) to capture contextual information within the network. We have evaluated DoubleU-Net using four medical segmentation datasets, covering various imaging modalities such as colonoscopy, dermoscopy, and microscopy. Experiments on the MICCAI 2015 segmentation challenge, the CVC-ClinicDB, the 2018 Data Science Bowl challenge, and the Lesion boundary segmentation datasets demonstrate that the DoubleU-Net outperforms U-Net and the baseline models. Moreover, DoubleU-Net produces more accurate segmentation masks, especially in the case of the CVC-ClinicDB and MICCAI 2015 segmentation challenge datasets, which have challenging images such as smaller and flat polyps. These results show the improvement over the existing U-Net model. The encouraging results, produced on various medical image segmentation datasets, show that DoubleU-Net can be used as a strong baseline for both medical image segmentation and cross-dataset evaluation testing to measure the generalizability of Deep Learning (DL) models.
• Abstract（参考訳）: 意味的イメージセグメンテーションは、画像の各ピクセルを対応するクラスにラベル付けするプロセスである。 U-Netのようなエンコーダ-デコーダベースのアプローチは、医療画像セグメンテーションタスクを解決するための一般的な戦略である。 様々なセグメンテーションタスクにおけるU-Netの性能向上を目的として,2つのU-Netアーキテクチャを組み合わせたDoubleU-Netアーキテクチャを提案する。 最初のU-Netは、訓練済みのVGG-19をエンコーダとして使用し、ImageNetから既に機能を学習しており、他のタスクに簡単に転送できる。 より効率的にセマンティックな情報をキャプチャするために、下部に別のU-Netを追加しました。 また、ネットワーク内のコンテキスト情報をキャプチャするために、ASPP(Atrous Spatial Pyramid Pooling)を採用している。 われわれはDoubleU-Netを4つの医用セグメンテーションデータセットを用いて評価し,大腸内視鏡,皮膚鏡,顕微鏡などの画像モダリティを網羅した。 miccai 2015 segmentation challenge, cvc-clinicdb, 2018 data science bowl challenge, and the lesion boundary segmentation datasetsの実験は、doubleu-netがu-netとベースラインモデルを上回ることを示している。 さらに、DoubleU-Netはより正確なセグメンテーションマスクを生成する。特にCVC-ClinicDBとMICCAI 2015セグメンテーションチャレンジデータセットでは、小さくフラットなポリープのような挑戦的なイメージを持つ。 これらの結果は既存のU-Netモデルよりも改善されたことを示している。 この結果から,DoubleU-Netは深層学習(DL)モデルの一般化性を評価するために,医用画像セグメンテーションとクロスデータセット評価テストの両方の強力なベースラインとして利用できることが示された。

関連論文リスト

• 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)
• BigDatasetGAN: Synthesizing ImageNet with Pixel-wise Annotations [89.42397034542189]
  我々は,GAN(Generative Adversarial Network)を介して,大規模ラベル付きデータセットを合成する。 我々は、ImageNetで訓練されたクラス条件生成モデルBigGANの画像サンプルを、すべての1kクラスに対して、クラス毎の5つのイメージを手動でアノテートする。 我々は、追加の8k実画像のセットをラベル付けして、新しいImageNetベンチマークを作成し、様々な設定でセグメンテーション性能を評価する。
  論文  参考訳（メタデータ） (2022-01-12T20:28:34Z)
• 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)
• 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)
• 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)
• U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images [0.0]
  我々は,マルチレゾリューション・フレームワークを用いた画像分割のための完全畳み込みニューラルネットワークを提案している。 提案したアーキテクチャ(mrU-Net)では、入力画像とそのダウンサンプルバージョンをネットワーク入力として使用した。 ネットワークを4つの異なる医療データセットでトレーニングし、テストしました。
  論文  参考訳（メタデータ） (2020-07-16T10:19:01Z)
• 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)
• Image Segmentation Using Hybrid Representations [2.414172101538764]
  医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。 提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-15T13:07:35Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。