論文の概要: Dual Encoder Fusion U-Net (DEFU-Net) for Cross-manufacturer Chest X-ray
Segmentation
- arxiv url: http://arxiv.org/abs/2009.10608v3
- Date: Mon, 26 Oct 2020 07:34:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 22:00:43.352824
- Title: Dual Encoder Fusion U-Net (DEFU-Net) for Cross-manufacturer Chest X-ray
Segmentation
- Title（参考訳）: クロスマニュファクチャ・チェストX線セグメンテーションのためのデュアルエンコーダ融合U-Net(DEFU-Net)
- Authors: Lipei Zhang, Aozhi Liu, Jing Xiao, Paul Taylor
- Abstract要約: Inception Convolutional Neural Networkを用いたChest X線のためのデュアルエンコーダ融合U-Netフレームワークを提案する。
DEFU-Netは、基本的なU-Net、残留U-Net、BCDU-Net、R2U-Net、注意R2U-Netよりも優れたパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 10.965529320634326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A number of methods based on deep learning have been applied to medical image
segmentation and have achieved state-of-the-art performance. Due to the
importance of chest x-ray data in studying COVID-19, there is a demand for
state-of-the-art models capable of precisely segmenting soft tissue on the
chest x-rays. The dataset for exploring best segmentation model is from
Montgomery and Shenzhen hospital which had opened in 2014. The most famous
technique is U-Net which has been used to many medical datasets including the
Chest X-rays. However, most variant U-Nets mainly focus on extraction of
contextual information and skip connections. There is still a large space for
improving extraction of spatial features. In this paper, we propose a dual
encoder fusion U-Net framework for Chest X-rays based on Inception
Convolutional Neural Network with dilation, Densely Connected Recurrent
Convolutional Neural Network, which is named DEFU-Net. The densely connected
recurrent path extends the network deeper for facilitating contextual feature
extraction. In order to increase the width of network and enrich representation
of features, the inception blocks with dilation are adopted. The inception
blocks can capture globally and locally spatial information from various
receptive fields. At the same time, the two paths are fused by summing
features, thus preserving the contextual and spatial information for decoding
part. This multi-learning-scale model is benefiting in Chest X-ray dataset from
two different manufacturers (Montgomery and Shenzhen hospital). The DEFU-Net
achieves the better performance than basic U-Net, residual U-Net, BCDU-Net,
R2U-Net and attention R2U-Net. This model has proved the feasibility for mixed
dataset and approaches state-of-the-art. The source code for this proposed
framework is public https://github.com/uceclz0/DEFU-Net.
- Abstract（参考訳）: 深層学習に基づく手法が医用画像分割に応用され,最先端のパフォーマンスを達成している。
新型コロナウイルス研究における胸部X線データの重要性から,胸部X線に軟部組織を正確に分画できる最先端のモデルが求められている。
ベストセグメンテーションモデルを探求するためのデータセットは、2014年にオープンしたモンゴメリー・アンド・深セン病院からのものである。
最も有名なテクニックはU-Netで、チェストX線を含む多くの医学データセットに使われている。
しかし、ほとんどの変種u-netはコンテキスト情報の抽出とスキップ接続に重点を置いている。
空間的特徴の抽出を改善するためにはまだ大きな空間がある。
本稿では,Densely Connected Recurrent Convolutional Neural Network(DFU-Net)を応用した,Chest X線用デュアルエンコーダ融合U-Netフレームワークを提案する。
密結合されたリカレントパスは、文脈的特徴抽出を容易にするためにネットワークをより深く拡張する。
ネットワークの幅を拡大し,特徴の表現を豊かにするために,拡張による開始ブロックを採用する。
インセプションブロックは、様々な受容領域からグローバルおよび局所的な空間情報を取り込むことができる。
同時に、2つの経路は特徴を和らげることで融合し、復号部のための文脈情報と空間情報を保存する。
このマルチラーニングスケールモデルは、2つの異なるメーカー(Montgomeryと深セン病院)のChest X-rayデータセットの恩恵を受けている。
DEFU-Netは、基本的なU-Net、残留U-Net、BCDU-Net、R2U-Net、注意R2U-Netよりも優れたパフォーマンスを実現する。
このモデルは混合データセットの実現可能性を示し、最先端にアプローチする。
このフレームワークのソースコードは、https://github.com/uceclz0/DEFU-Netである。
関連論文リスト
- LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。
LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
論文 参考訳（メタデータ） (2024-04-04T01:59:19Z) - R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections
for Medical Image Segmentation [0.5735035463793008]
本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。
提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。
エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
論文 参考訳（メタデータ） (2022-06-03T19:42:44Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2022-06-02T07:38:53Z) - MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation [28.656853454251426]
本研究は,皮膚病変の制御のための人工知能(AI)フレームワークを開発する。
MFSNetは3つの公開データセットで評価され、最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-03-27T16:10:40Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - 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) - UXNet: Searching Multi-level Feature Aggregation for 3D Medical Image
Segmentation [34.8581851257193]
本稿では、3次元医用画像分割のための新しいNAS手法であるUXNetを提案する。
UXNetは、エンコーダ-デコーダネットワークのスケールワイズ機能集約戦略とブロックワイズ演算子の両方を検索する。
UXNetが発見したアーキテクチャは、いくつかの公開3D医療画像セグメンテーションベンチマークにおいて、Diceの点で既存の最先端モデルを上回っている。
論文 参考訳（メタデータ） (2020-09-16T06:50:57Z) - 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) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。