論文の概要: W-net: Simultaneous segmentation of multi-anatomical retinal structures
using a multi-task deep neural network
- arxiv url: http://arxiv.org/abs/2006.06277v1
- Date: Thu, 11 Jun 2020 09:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 13:33:31.766056
- Title: W-net: Simultaneous segmentation of multi-anatomical retinal structures
using a multi-task deep neural network
- Title(参考訳): W-net:マルチタスクディープニューラルネットワークを用いたマルチ解剖学的網膜構造の同時セグメンテーション
- Authors: Hongwei Zhao, Chengtao Peng, Lei Liu and Bin Li
- Abstract要約: 光学ディスク(OD)とエキデントの両方を同時に網膜画像に分割する$mathcalW$-netを提案した。
我々は,不均衡な問題を緩和するために,クラスバランスの損失とマルチタスクの重み付き損失を導入した。
その結果,MTLをベースとした$mathcalW$-netは各タスクの最適重みを選択することで,各タスクで個別に訓練された個別モデルよりも優れていた。
- 参考スコア(独自算出の注目度): 7.5645277268483895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of multiple anatomical structures is of great importance in
medical image analysis. In this study, we proposed a $\mathcal{W}$-net to
simultaneously segment both the optic disc (OD) and the exudates in retinal
images based on the multi-task learning (MTL) scheme. We introduced a
class-balanced loss and a multi-task weighted loss to alleviate the imbalanced
problem and to improve the robustness and generalization property of the
$\mathcal{W}$-net. We demonstrated the effectiveness of our approach by
applying five-fold cross-validation experiments on two public datasets
e\_ophtha\_EX and DiaRetDb1. We achieved F1-score of 94.76\% and 95.73\% for OD
segmentation, and 92.80\% and 94.14\% for exudates segmentation. To further
prove the generalization property of the proposed method, we applied the
trained model on the DRIONS-DB dataset for OD segmentation and on the MESSIDOR
dataset for exudate segmentation. Our results demonstrated that by choosing the
optimal weights of each task, the MTL based $\mathcal{W}$-net outperformed
separate models trained individually on each task. Code and pre-trained models
will be available at:
\url{https://github.com/FundusResearch/MTL_for_OD_and_exudates.git}.
- Abstract(参考訳): 複数の解剖学的構造のセグメンテーションは医用画像解析において非常に重要である。
そこで本研究では,MTL(Multi-task Learning)方式に基づく網膜画像において,光ディスク(OD)とエキデントの両方を同時に分割する$\mathcal{W}$-netを提案する。
我々は、クラスバランス損失とマルチタスク重み付き損失を導入し、不均衡問題を緩和し、$\mathcal{w}$-netのロバスト性と一般化性を改善する。
本研究では,2つの公開データセット e\_ophtha\_EX と DiaRetDb1 に5倍のクロスバリデーション実験を適用し,本手法の有効性を実証した。
f1-scoreは94.76\%, 95.73\%, exudates segmentationは92.80\%, 94.14\%であった。
提案手法の一般化性をさらに証明するため,DOセグメンテーションのためのDRIONS-DBデータセットと,エグデントセグメンテーションのためのMESSIDORデータセットにトレーニングモデルを適用した。
その結果、各タスクの最適重みを選択することで、MTLをベースとした$\mathcal{W}$-netは各タスクで個別に訓練された個別モデルよりも優れていた。
コードおよび事前トレーニングされたモデルは、以下の通りである。
関連論文リスト
- Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Better Generalization of White Matter Tract Segmentation to Arbitrary
Datasets with Scaled Residual Bootstrap [1.30536490219656]
ホワイトマター(WM)トラクションセグメンテーションは、脳接続研究において重要なステップである。
本稿では,WMトラクションセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T09:31:34Z) - 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) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳(メタデータ) (2021-12-15T09:50:25Z) - A Unified Framework for Generalized Low-Shot Medical Image Segmentation
with Scarce Data [24.12765716392381]
距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。
DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。
脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-10-18T13:01:06Z) - Automatic Foot Ulcer segmentation Using an Ensemble of Convolutional
Neural Networks [3.037637906402173]
本稿では,2つのエンコーダデコーダに基づくCNNモデル,すなわちLinkNetとUNetに基づくアンサンブルアプローチを提案する。
提案手法は,最新データに基づくDiceスコアを92.07%,88.80%とした。
論文 参考訳(メタデータ) (2021-09-03T09:55:04Z) - Multi-task Semi-supervised Learning for Pulmonary Lobe Segmentation [2.8016091833446617]
肺葉のセグメンテーションは肺疾患の解析における重要な前処理課題である。
ディープラーニングベースのメソッドは、これらの従来のアプローチを上回ります。
深層マルチタスク学習は、複数の異なる構造のラベルを活用することが期待される。
論文 参考訳(メタデータ) (2021-04-22T12:33:30Z) - 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) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳(メタデータ) (2020-06-08T07:35:55Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2020-01-06T20:03:17Z)
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。