論文の概要: A Computation-Efficient CNN System for High-Quality Brain Tumor
Segmentation
- arxiv url: http://arxiv.org/abs/2007.12066v3
- Date: Fri, 13 Aug 2021 21:33:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 22:40:04.598691
- Title: A Computation-Efficient CNN System for High-Quality Brain Tumor
Segmentation
- Title（参考訳）: 高品質脳腫瘍分離のための計算効率の良いCNNシステム
- Authors: Yanming Sun, Chunyan Wang
- Abstract要約: 本稿では,脳腫瘍のセグメンテーションのための信頼性の高い畳み込みニューラルネットワーク(CNN)を提案する。
ユニークなCNNは、たった108のカーネルと20308のトレーニング可能なパラメータを含む7つの畳み込み層で構成されている。
その結果,再学習後にほぼ同じ出力をほぼ確実に同じ入力に再現できることが判明した。
- 参考スコア（独自算出の注目度）: 1.2183405753834562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The work presented in this paper is to propose a reliable high-quality system
of Convolutional Neural Network (CNN) for brain tumor segmentation with a low
computation requirement. The system consists of a CNN for the main processing
for the segmentation, a pre-CNN block for data reduction and post-CNN
refinement block. The unique CNN consists of 7 convolution layers involving
only 108 kernels and 20308 trainable parameters. It is custom-designed,
following the proposed paradigm of ASCNN (application specific CNN), to perform
mono-modality and cross-modality feature extraction, tumor localization and
pixel classification. Each layer fits the task assigned to it, by means of (i)
appropriate normalization applied to its input data, (ii) correct convolution
modes for the assigned task, and (iii) suitable nonlinear transformation to
optimize the convolution results. In this specific design context, the number
of kernels in each of the 7 layers is made to be just-sufficient for its task,
instead of exponentially growing over the layers, to increase information
density and to reduce randomness in the processing. The proposed activation
function Full-ReLU helps to halve the number of kernels in convolution layers
of high-pass filtering without degrading processing quality. A large number of
experiments with BRATS2018 dataset have been conducted to measure the
processing quality and reproducibility of the proposed system. The results
demonstrate that the system reproduces reliably almost the same output to the
same input after retraining. The mean dice scores for enhancing tumor, whole
tumor and tumor core are 77.2%, 89.2% and 76.3%, respectively. The simple
structure and reliable high processing quality of the proposed system will
facilitate its implementation and medical applications.
- Abstract（参考訳）: 本稿では,低計算量で脳腫瘍の分節化を行うための,信頼性の高い畳み込みニューラルネットワーク(cnn)を提案する。
このシステムは、セグメンテーションの主処理用のCNNと、データリダクションのためのCNN前ブロックと、CNN後リファインメントブロックで構成される。
ユニークなCNNは、たった108のカーネルと20308のトレーニング可能なパラメータを含む7つの畳み込み層で構成されている。
ascnn(application specific cnn)のパラダイムに従って、モノモダリティおよびクロスモダリティ特徴抽出、腫瘍局在、ピクセル分類を行うカスタムデザインされている。
各レイヤは、そのレイヤに割り当てられたタスクに適合する
(i)その入力データに適用される適切な正規化
(ii)割り当てられたタスクに対する正しい畳み込みモード、及び
(iii)畳み込み結果を最適化するための適切な非線形変換。
この特定の設計コンテキストでは、各7層のカーネル数を、そのタスクにちょうど十分であるようにし、その層を指数関数的に拡大するのではなく、情報密度を高め、処理のランダム性を低減する。
提案したアクティベーション関数Full-ReLUは、処理品質を劣化させることなく、ハイパスフィルタリングの畳み込み層内のカーネル数を半減する。
BRATS2018データセットを用いた多数の実験が提案システムの処理品質と再現性を測定するために実施されている。
その結果、システムは再トレーニング後の入力に対してほぼ同じ出力を確実に再現できることが示される。
腫瘍を増強する平均diceスコアは77.2%、腫瘍コアは89.2%、腫瘍コアは76.3%である。
提案システムの簡易な構造と信頼性の高い高処理品質により,実装や医療応用が容易になる。
関連論文リスト
- Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks [2.715284063484557]
3ビットシステムの絡みを検知・分類する人工知能ニューラルネットワーク(ANN)を設計・実装する。
モデルはランダムに生成された状態のシミュレーションデータセット上で訓練され、検証される。
注目すべきは、密度行列の7つの対角要素をANNに供給するだけで、両方のタスクに対して94%以上の精度が得られることである。
論文 参考訳（メタデータ） (2024-11-18T06:50:10Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - An Order-Invariant and Interpretable Hierarchical Dilated Convolution
Neural Network for Chemical Fault Detection and Diagnosis [7.226239130399725]
畳み込みニューラルネットワーク(CNN)は、化学故障検出および診断タスクにおける多くの成功例を持つ、人気のあるディープラーニングアルゴリズムである。
本稿では,命令不変かつ解釈可能な階層型畳み込みニューラルネットワーク(HDLCNN)を提案する。
提案手法は,特徴量の定量化のためのSHAP値を含むことにより,解釈可能性を提供する。
論文 参考訳（メタデータ） (2023-02-13T10:28:41Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳（メタデータ） (2022-11-22T06:42:41Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - A heterogeneous group CNN for image super-resolution [127.2132400582117]
畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。
異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
論文 参考訳（メタデータ） (2022-09-26T04:14:59Z) - A Performance-Consistent and Computation-Efficient CNN System for
High-Quality Automated Brain Tumor Segmentation [1.2183405753834562]
CNNをベースとした完全自動脳-運動-隔離システムの開発研究は急速に進展している。
実際に適用可能なシステムには、優れた処理品質と信頼性が不可欠です。
提案方式のCNNは2つの特徴を持つユニークな構造を持つ。
論文 参考訳（メタデータ） (2022-05-02T22:10:36Z) - Multi-objective Evolutionary Approach for Efficient Kernel Size and
Shape for CNN [12.697368516837718]
VGGNetやResNetのようなCNNトポロジにおける最先端の開発は、ますます正確になっている。
これらのネットワークは数十億の演算とパラメータを含む計算コストが高い。
本稿では,畳み込み層におけるカーネルのサイズと数を削減することにより,計算資源の消費を最適化することを検討する。
論文 参考訳（メタデータ） (2021-06-28T14:47:29Z) - Examining convolutional feature extraction using Maximum Entropy (ME)
and Signal-to-Noise Ratio (SNR) for image classification [0.6875312133832078]
畳み込みニューラルネットワーク(CNN)は、関数マッピングよりも特徴抽出を専門とする。
本稿では,最大エントロピー(ME)と信号対雑音比(SNR)を用いたCNNの特徴抽出機能について検討する。
CNNの分類精度や性能は、入力データに存在する信号情報の量、複雑さ、品質に大きく依存していることを示す。
論文 参考訳（メタデータ） (2021-05-10T03:58:06Z) - Computational optimization of convolutional neural networks using
separated filters architecture [69.73393478582027]
我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。
畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
論文 参考訳（メタデータ） (2020-02-18T17:42:13Z)
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。