論文の概要: U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images

• arxiv url: http://arxiv.org/abs/2007.08238v2
• Date: Fri, 17 Jul 2020 06:17:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 23:51:02.408944
• Title: U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images
• Title（参考訳）: 医用画像の多分解能セグメンテーション改善のためのU-Netアーキテクチャ
• Authors: Simindokht Jahangard, Mohammad Hossein Zangooei, Maysam Shahedi
• Abstract要約: 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。
• 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: Purpose: Manual medical image segmentation is an exhausting and time-consuming task along with high inter-observer variability. In this study, our objective is to improve the multi-resolution image segmentation performance of U-Net architecture. Approach: We have proposed a fully convolutional neural network for image segmentation in a multi-resolution framework. We used U-Net as the base architecture and modified that to improve its image segmentation performance. In the proposed architecture (mrU-Net), the input image and its down-sampled versions were used as the network inputs. We added more convolution layers to extract features directly from the down-sampled images. We trained and tested the network on four different medical datasets, including skin lesion photos, lung computed tomography (CT) images (LUNA dataset), retina images (DRIVE dataset), and prostate magnetic resonance (MR) images (PROMISE12 dataset). We compared the performance of mrU-Net to U-Net under similar training and testing conditions. Results: Comparing the results to manual segmentation labels, mrU-Net achieved average Dice similarity coefficients of 70.6%, 97.9%, 73.6%, and 77.9% for the skin lesion, LUNA, DRIVE, and PROMISE12 segmentation, respectively. For the skin lesion, LUNA, and DRIVE datasets, mrU-Net outperformed U-Net with significantly higher accuracy and for the PROMISE12 dataset, both networks achieved similar accuracy. Furthermore, using mrU-Net led to a faster training rate on LUNA and DRIVE datasets when compared to U-Net. Conclusions: The striking feature of the proposed architecture is its higher capability in extracting image-derived features compared to U-Net. mrU-Net illustrated a faster training rate and slightly more accurate image segmentation compared to U-Net.
• Abstract（参考訳）: 目的: 手動の医用画像分割は、高いオブザーバ間可変性とともに、枯渇し時間のかかるタスクである。 本研究の目的は,u-netアーキテクチャのマルチレゾリューション画像分割性能を向上させることである。 アプローチ: 多解像度フレームワークにおける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する。 ベースアーキテクチャとしてU-Netを使用し、画像セグメンテーション性能を改善するために修正した。 提案アーキテクチャ(mru-net)では、入力画像とそのダウンサンプリングバージョンがネットワーク入力として使用された。 ダウンサンプル画像から直接機能を抽出するために、さらに畳み込みレイヤを追加しました。 我々は,皮膚病変画像,肺CT画像(LUNAデータセット),網膜画像(DRIVEデータセット),前立腺磁気共鳴画像(PROMISE12データセット)の4種類の医療データセットを用いてネットワークをトレーニングし,テストした。 同様のトレーニングおよびテスト条件下で,mrU-Netの性能をU-Netと比較した。 結果: 手動セグメンテーションラベルと比較すると, 平均Dice類似係数は70.6%, 97.9%, 73.6%, 77.9%, LUNA, DRIVE, PROMISE12セグメンテーションは77.9%であった。 皮膚病変、LUNA、DRIVEデータセットでは、mrU-NetはU-Netよりもはるかに高い精度で、PROMISE12データセットでは、どちらのネットワークも同様の精度を達成した。 さらに、mrU-Netを使用することで、U-Netと比較してLUNAとDRIVEデータセットのトレーニング速度が向上した。 結論:提案アーキテクチャの顕著な特徴は、U-Netと比較して画像から特徴を抽出する能力が高いことである。 mrU-Netは、U-Netと比較してトレーニング速度が速く、画像のセグメンテーションもわずかに正確だった。

関連論文リスト

• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• 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)
• Implicit U-Net for volumetric medical image segmentation [0.6294759639481189]
  Implicit U-Netは、教師付きイメージセグメンテーションタスクに効率的なImplicit Representationパラダイムを適用する。 我々の暗黙のU-Netは、同等のU-Netよりも40%少ないパラメータを持つ。 等価な完全畳み込みU-Netと比較すると、Implicit U-Netは約30%の推論とトレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2022-06-30T12:00:40Z)
• Implementation of a Modified U-Net for Medical Image Segmentation on Edge Devices [0.5735035463793008]
  本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。 脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
  論文  参考訳（メタデータ） (2022-06-06T05:25:19Z)
• Transfer Learning U-Net Deep Learning for Lung Ultrasound Segmentation [6.358214877782411]
  本研究は,肺の超音波画像からリブの分割を完了し,U-Netを用いた最適なTL技術を見出すことに焦点を当てた。 モデルの視覚的結果とダイス係数(DICE)を比較した。 X-Unetは、V-UnetよりもDICEが低いにもかかわらず、実際のマスク予測よりも正確でアーチファクトのない視覚性能を示した。
  論文  参考訳（メタデータ） (2021-10-05T17:43:28Z)
• 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)
• KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
  本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。 このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。 早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
  論文  参考訳（メタデータ） (2020-06-08T18:59:24Z)
• DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
  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。
  論文  参考訳（メタデータ） (2020-06-08T18:38:24Z)

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。