論文の概要: RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty
Quantification in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2008.06999v2
- Date: Tue, 18 Aug 2020 08:18:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:09:19.440094
- Title: RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty
Quantification in Medical Image Segmentation
- Title（参考訳）: RevPHiSeg:医療画像セグメンテーションにおける不確実性定量化のためのメモリ効率の良いニューラルネットワーク
- Authors: Marc Gantenbein and Ertunc Erdil and Ender Konukoglu
- Abstract要約: メモリ効率のよいニューラルネットワークアーキテクチャを構築するための可逆ブロック。
RevPHiSegアーキテクチャは、医用画像セグメンテーションにおける不確実性定量化のために開発された。
その結果、RevPHiSegはPHiSegに比べて30%少ないメモリを消費し、非常によく似たセグメンテーション精度を実現している。
- 参考スコア（独自算出の注目度）: 8.413049356622198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantifying segmentation uncertainty has become an important issue in medical
image analysis due to the inherent ambiguity of anatomical structures and its
pathologies. Recently, neural network-based uncertainty quantification methods
have been successfully applied to various problems. One of the main limitations
of the existing techniques is the high memory requirement during training;
which limits their application to processing smaller field-of-views (FOVs)
and/or using shallower architectures. In this paper, we investigate the effect
of using reversible blocks for building memory-efficient neural network
architectures for quantification of segmentation uncertainty. The reversible
architecture achieves memory saving by exactly computing the activations from
the outputs of the subsequent layers during backpropagation instead of storing
the activations for each layer. We incorporate the reversible blocks into a
recently proposed architecture called PHiSeg that is developed for uncertainty
quantification in medical image segmentation. The reversible architecture,
RevPHiSeg, allows training neural networks for quantifying segmentation
uncertainty on GPUs with limited memory and processing larger FOVs. We perform
experiments on the LIDC-IDRI dataset and an in-house prostate dataset, and
present comparisons with PHiSeg. The results demonstrate that RevPHiSeg
consumes ~30% less memory compared to PHiSeg while achieving very similar
segmentation accuracy.
- Abstract（参考訳）: 解剖学的構造と病理の特異性から, セグメンテーションの定量化は画像解析において重要な課題となっている。
近年,ニューラルネットワークに基づく不確実性定量化手法が様々な問題に適用されている。
既存の技術の主な制限の1つは、トレーニング中の高いメモリ要求であり、アプリケーションはより小さな視野(FOV)やより浅いアーキテクチャの使用に制限される。
本稿では,セグメント化の不確実性の定量化のために,可逆ブロックを用いてメモリ効率の高いニューラルネットワークアーキテクチャを構築する方法を検討する。
リバーシブルアーキテクチャは、各レイヤのアクティベーションを格納するのではなく、バックプロパゲーション中の次のレイヤの出力からのアクティベーションを正確に計算することで、メモリ節約を実現する。
医療画像のセグメンテーションにおける不確かさを定量化するために,最近提案されたphisegと呼ばれるアーキテクチャに可逆ブロックを組み込む。
可逆アーキテクチャであるRevPHiSegは、GPU上のセグメンテーションの不確実性をメモリに制限し、より大きなFOVを処理するためのトレーニングニューラルネットワークを可能にする。
LIDC-IDRIデータセットと社内前立腺データセットを用いて実験を行い,PHiSegとの比較を行った。
その結果、revephiseg は phiseg と比較してメモリ消費が30%削減され、セグメンテーション精度もほぼ同じであることが判明した。
関連論文リスト
- TBConvL-Net: A Hybrid Deep Learning Architecture for Robust Medical Image Segmentation [6.013821375459473]
医用画像セグメンテーションのための新しいディープラーニングアーキテクチャを提案する。
提案モデルでは,10の公開データセット上でのテクニックの現状に対して,一貫した改善が示されている。
論文 参考訳（メタデータ） (2024-09-05T09:14:03Z) - Slicer Networks [8.43960865813102]
医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
論文 参考訳（メタデータ） (2024-01-18T09:50:26Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Recurrent Variational Network: A Deep Learning Inverse Problem Solver
applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。
RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。
提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文 参考訳（メタデータ） (2021-11-18T11:44:04Z) - Hessian Aware Quantization of Spiking Neural Networks [1.90365714903665]
ニューロモルフィックアーキテクチャは、可変ビット精度と局所ビット精度の大規模並列計算を可能にする。
SNNトレーニングの現在の勾配に基づく方法は、複数の状態変数を持つ複雑なニューロンモデルを使用する。
我々は、勾配に基づくトレーニングと互換性を保ちつつ、状態変数の数を4倍に削減する単純化されたニューロンモデルを提案する。
論文 参考訳（メタデータ） (2021-04-29T05:27:34Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - DVNet: A Memory-Efficient Three-Dimensional CNN for Large-Scale
Neurovascular Reconstruction [1.9199289015460215]
画素単位のセマンティックセマンティックセグメンテーションのための,完全畳み込み,深層化,密結合型エンコーダデコーダを提案する。
提案ネットワークは,オープンソースベンチマークに適用したセマンティックセグメンテーション問題に対して,優れた性能を提供する。
論文 参考訳（メタデータ） (2020-02-04T22:39:58Z)
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。