論文の概要: Efficient, high-performance pancreatic segmentation using multi-scale
feature extraction
- arxiv url: http://arxiv.org/abs/2009.00872v2
- Date: Tue, 12 Jan 2021 14:24:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:02:44.517028
- Title: Efficient, high-performance pancreatic segmentation using multi-scale
feature extraction
- Title(参考訳): マルチスケール特徴抽出による高効率膵分節化
- Authors: Moritz Knolle (1 and 2), Georgios Kaissis (1 and 2 and 3 and 4),
Friederike Jungmann (1), Sebastian Ziegelmayer (1), Daniel Sasse (1), Marcus
Makowski (1), Daniel Rueckert (2 and 4), Rickmer Braren (1) ((1) Department
of diagnostic and interventional Radiology, Technical University of Munich,
Munich, Germany, (2) Institute for Artificial Intelligence and Data Science
in Medicine and Healthcare, Technical University of Munich, Munich, Germany,
(3) OpenMined Research, (4) Department of Computing, Imperial College London,
London, United Kingdom)
- Abstract要約: 我々は、高度に最適化されたニューラルネットベースの膵管分割アルゴリズムであるMoNetを提案する。
マルチスケール画像特徴量の効率的な利用により,MoNetは高い性能を実現することを示す。
- 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: For artificial intelligence-based image analysis methods to reach clinical
applicability, the development of high-performance algorithms is crucial. For
example, existent segmentation algorithms based on natural images are neither
efficient in their parameter use nor optimized for medical imaging. Here we
present MoNet, a highly optimized neural-network-based pancreatic segmentation
algorithm focused on achieving high performance by efficient multi-scale image
feature utilization.
- Abstract(参考訳): 人工知能を用いた画像解析手法を臨床応用するには, 高性能アルゴリズムの開発が不可欠である。
例えば、自然画像に基づく既存のセグメンテーションアルゴリズムは、パラメータの使用において効率的でなく、医用画像に最適化されていない。
本稿では,高効率なマルチスケール画像特徴量利用による高性能化に焦点をあてた,高度に最適化されたニューラルネットワークに基づく膵分画アルゴリズムであるmonetを提案する。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。
既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。
本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文 参考訳(メタデータ) (2023-07-29T16:29:39Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳(メタデータ) (2023-07-19T16:42:52Z) - LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and
Edge Platforms [9.626726110488386]
本稿では,IoTおよびエッジプラットフォーム上での医用画像のセグメンテーションに適した,軽量なデュアルマルチスケール残差ブロック型ニューラルネットワークを提案する。
LDMRes-Netは、非常に少ない学習可能なパラメータ(0.072M)で制限を克服し、リソース制約のあるデバイスに非常に適している。
論文 参考訳(メタデータ) (2023-06-09T10:34:18Z) - Machine learning based biomedical image processing for echocardiographic
images [0.0]
提案手法では,K-Nearest Neighbor (KNN) アルゴリズムを用いて医用画像のセグメンテーションを行う。
トレーニングされたニューラルネットワークは、エコー画像のグループで正常にテストされている。
論文 参考訳(メタデータ) (2023-03-16T06:23:43Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Enhanced Transfer Learning Through Medical Imaging and Patient
Demographic Data Fusion [0.0]
画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。
特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
論文 参考訳(メタデータ) (2021-11-29T09:11:52Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳(メタデータ) (2020-07-08T21:38:29Z) - Searching Learning Strategy with Reinforcement Learning for 3D Medical
Image Segmentation [15.059891142682117]
本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。
提案手法は,3次元医用画像分割の課題に対して有効である。
論文 参考訳(メタデータ) (2020-06-10T14:24:06Z) - 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) - 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。