論文の概要: Efficient OCT Image Segmentation Using Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2007.14790v1
• Date: Tue, 28 Jul 2020 02:48:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 02:54:44.604379
• Title: Efficient OCT Image Segmentation Using Neural Architecture Search
• Title（参考訳）: ニューラルネットワークによる効率的なOCT画像分割
• Authors: Saba Heidari Gheshlaghi, Omid Dehzangi, Ali Dabouei, Annahita Amireskandari, Ali Rezai, Nasser M Nasrabadi
• Abstract要約: 光コヒーレンス・トモグラフィー(OCT)スキャンにおける網膜層セグメンテーションのためのニューラルアーキテクチャ・サーチ(NAS)を提案する。 我々は、NASフレームワークにUnetアーキテクチャを組み込んで、収集および前処理したOCT画像データセット内の網膜層のセグメンテーションのバックボーンとする。
• 参考スコア（独自算出の注目度）: 18.056525121226862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a Neural Architecture Search (NAS) for retinal layer segmentation in Optical Coherence Tomography (OCT) scans. We incorporate the Unet architecture in the NAS framework as its backbone for the segmentation of the retinal layers in our collected and pre-processed OCT image dataset. At the pre-processing stage, we conduct super resolution and image processing techniques on the raw OCT scans to improve the quality of the raw images. For our search strategy, different primitive operations are suggested to find the down- & up-sampling cell blocks, and the binary gate method is applied to make the search strategy practical for the task in hand. We empirically evaluated our method on our in-house OCT dataset. The experimental results demonstrate that the self-adapting NAS-Unet architecture substantially outperformed the competitive human-designed architecture by achieving 95.4% in mean Intersection over Union metric and 78.7% in Dice similarity coefficient.
• Abstract（参考訳）: 本研究では,光学コヒーレンス・トモグラフィー(OCT)スキャンにおける網膜層セグメンテーションのためのニューラルアーキテクチャ・サーチ(NAS)を提案する。 我々は、NASフレームワークにUnetアーキテクチャを組み込んで、収集および前処理したOCT画像データセット内の網膜層のセグメンテーションのバックボーンとする。 プロセス前段階では,OCTスキャンの高解像度化と画像処理を行い,画像の品質向上を図る。 探索戦略では,ダウン・アンド・アップ・サンプリングセルブロックを見つけるために異なるプリミティブ操作が提案され,探索戦略を手作業で実用的なものにするためにバイナリゲート法が適用されている。 本手法を社内OCTデータセット上で実証的に評価した。 実験の結果, 自己適応型NAS-Unetアーキテクチャは, 平均95.4%, 78.7%のDice類似度係数を達成し, 競争的な人間設計アーキテクチャを著しく上回った。

関連論文リスト

• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• HASA: Hybrid Architecture Search with Aggregation Strategy for Echinococcosis Classification and Ovary Segmentation in Ultrasound Images [0.0]
  超音波(US)画像分類と分割のためのハイブリッドNASフレームワークを提案する。 本手法は、上記の米国画像分類および分割タスクに対して、より強力で軽量なモデルを生成することができる。
  論文  参考訳（メタデータ） (2022-04-14T01:43:00Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• Boosting Segmentation Performance across datasets using histogram specification with application to pelvic bone segmentation [1.3750624267664155]
  限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。 セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
  論文  参考訳（メタデータ） (2021-01-26T23:48:40Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model [41.444917622855606]
  OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。 次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。 SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
  論文  参考訳（メタデータ） (2020-07-10T06:54:19Z)
• DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
  本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。 ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
  論文  参考訳（メタデータ） (2020-05-29T09:02:16Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• 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)
• DCNAS: Densely Connected Neural Architecture Search for Semantic Image Segmentation [44.46852065566759]
  Densely Connected NAS (DCNAS) フレームワークを提案し、視覚情報のマルチスケール表現に対して最適なネットワーク構造を直接検索する。 具体的には,学習可能な重みを使ってセルを相互に接続することにより,多数の主流ネットワーク設計をカバーするために,密結合された検索空間を導入する。 我々は、DCNASアルゴリズムから得られたアーキテクチャが、公開セマンティックイメージセグメンテーションベンチマーク上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2020-03-26T13:21:33Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。