論文の概要: Interactive Deep Refinement Network for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2006.15320v1
• Date: Sat, 27 Jun 2020 08:24:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 07:50:03.986747
• Title: Interactive Deep Refinement Network for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのインタラクティブディープリファインメントネットワーク
• Authors: Titinunt Kitrungrotsakul, Iwamoto Yutaro, Lanfen Lin, Ruofeng Tong, Jingsong Li, Yen-Wei Chen
• Abstract要約: 従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。 提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。 公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
• 参考スコア（独自算出の注目度）: 13.698408475104452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning techniques have successfully been employed in numerous computer vision tasks including image segmentation. The techniques have also been applied to medical image segmentation, one of the most critical tasks in computer-aided diagnosis. Compared with natural images, the medical image is a gray-scale image with low-contrast (even with some invisible parts). Because some organs have similar intensity and texture with neighboring organs, there is usually a need to refine automatic segmentation results. In this paper, we propose an interactive deep refinement framework to improve the traditional semantic segmentation networks such as U-Net and fully convolutional network. In the proposed framework, we added a refinement network to traditional segmentation network to refine the segmentation results.Experimental results with public dataset revealed that the proposed method could achieve higher accuracy than other state-of-the-art methods.
• Abstract（参考訳）: 深層学習技術は、画像セグメンテーションを含む多くのコンピュータビジョンタスクに成功している。 この技術は、コンピュータ支援診断において最も重要な課題の一つである医療画像分割にも応用されている。 自然画像と比較すると、医療画像はグレースケールの画像であり、低コントラスト(目に見えない部分もある)である。 一部の器官は隣の臓器と類似の強度とテクスチャを持っているため、通常は自動セグメンテーションの結果を洗練する必要がある。 本稿では,U-Netや完全畳み込みネットワークといった従来のセマンティックセグメンテーションネットワークを改善するための,インタラクティブなディープリファインメントフレームワークを提案する。 提案手法では,従来のセグメンテーションネットワークに改良ネットワークを追加してセグメンテーション結果を洗練させた。

関連論文リスト

• UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
  この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。 これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。 提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
  論文  参考訳（メタデータ） (2024-05-09T19:02:00Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• A hybrid approach for improving U-Net variants in medical image segmentation [0.0]
  医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。 生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。 本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
  論文  参考訳（メタデータ） (2023-07-31T07:43:45Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images [0.696194614504832]
  医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。 一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。 医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
  論文  参考訳（メタデータ） (2022-09-01T21:10:00Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• DCSAU-Net: A Deeper and More Compact Split-Attention U-Net for Medical Image Segmentation [1.1315617886931961]
  マルチスケールの分割アテンションと深みの深い畳み込みを用いて有用な特徴を抽出する新しい分割アテンション型u-shapeネットワーク(DCSAU-Net)を提案する。 その結果、DCSAU-Netは、平均的なUnion(mIoU)とF1-socre(F1-socre)の観点から、他の最先端(SOTA)手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-02-02T11:36:15Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。