論文の概要: Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2010.05855v1
• Date: Mon, 12 Oct 2020 17:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 07:53:41.195386
• Title: Fully Automatic Wound Segmentation with Deep Convolutional Neural Networks
• Title（参考訳）: 深層畳み込みニューラルネットワークを用いた完全自動創傷セグメンテーション
• Authors: Chuanbo Wang, DM Anisuzzaman, Victor Williamson, Mrinal Kanti Dhar, Behrouz Rostami, Jeffrey Niezgoda, Sandeep Gopalakrishnan and Zeyun Yu
• Abstract要約: 本論文は,MobileNetV2をベースとした新たな畳み込みフレームワークを提案する。 深層学習モデルの訓練と試験のために,889例の足部潰瘍画像1,109枚からなる注記傷画像データセットを構築した。
• 参考スコア（独自算出の注目度）: 1.897172519574925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acute and chronic wounds have varying etiologies and are an economic burden to healthcare systems around the world. The advanced wound care market is expected to exceed $22 billion by 2024. Wound care professionals rely heavily on images and image documentation for proper diagnosis and treatment. Unfortunately lack of expertise can lead to improper diagnosis of wound etiology and inaccurate wound management and documentation. Fully automatic segmentation of wound areas in natural images is an important part of the diagnosis and care protocol since it is crucial to measure the area of the wound and provide quantitative parameters in the treatment. Various deep learning models have gained success in image analysis including semantic segmentation. Particularly, MobileNetV2 stands out among others due to its lightweight architecture and uncompromised performance. This manuscript proposes a novel convolutional framework based on MobileNetV2 and connected component labelling to segment wound regions from natural images. We build an annotated wound image dataset consisting of 1,109 foot ulcer images from 889 patients to train and test the deep learning models. We demonstrate the effectiveness and mobility of our method by conducting comprehensive experiments and analyses on various segmentation neural networks.
• Abstract（参考訳）: 急性および慢性の傷は様々な病因を持ち、世界中の医療システムにとって経済的負担となっている。 先進的な創傷ケア市場は2024年までに220億ドルを超えると予想されている。 ワーンドケアの専門家は適切な診断と治療のために画像と画像ドキュメントに大きく依存している。 残念ながら、専門知識の欠如は創傷の病因を不適切な診断と不正確な創傷管理と文書化につながる可能性がある。 自然画像における傷領域の完全自動分割は, 傷の面積を計測し, 定量的な指標を提供することが重要であるため, 診断・治療プロトコルの重要な部分である。 様々なディープラーニングモデルがセマンティックセグメンテーションを含む画像解析に成功している。 特にmobilenetv2は、軽量なアーキテクチャと妥協されていないパフォーマンスで際立っている。 本論文は,MobileNetV2をベースとした新たな畳み込みフレームワークを提案する。 深層学習モデルの訓練と試験のために,889例の足部潰瘍画像1,109枚からなる注記傷画像データセットを構築した。 本稿では,様々なセグメンテーションニューラルネット上での包括的実験と解析を行い,提案手法の有効性と移動性を示す。

関連論文リスト

• Convolutional Neural Networks Towards Facial Skin Lesions Detection [0.0]
  本研究は,顔画像の点滅や皮膚病変の検出を容易にするモデルを提供することで貢献する。 提案手法は, 簡単なアーキテクチャ, 高速, 画像処理に適するといった利点を提供する。
  論文  参考訳（メタデータ） (2024-02-13T16:52:10Z)
• Integrated Image and Location Analysis for Wound Classification: A Deep Learning Approach [3.5427949413406563]
  急性および慢性の傷のグローバルな負担は、傷の分類方法を強化する上で魅力的なケースである。 深層畳み込みニューラルネットワークを用いて, 糖尿病, 血圧, 外科的, 静脈潰瘍の4つのカテゴリーに分類する。 本手法の特筆すべき点は、正確な創傷位置タグ付けを容易にするボディマップシステムの導入である。
  論文  参考訳（メタデータ） (2023-08-23T02:49:22Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• FUSeg: The Foot Ulcer Segmentation Challenge [2.47471882161526]
  先進的な創傷治療市場は2024年までに220億ドルに達すると推定されている。 傷の面積を推定し、治療の定量的な測定を行うことが重要である。 近年,深層学習に基づく創傷分類法は有望な性能を示したが,訓練には大規模なデータセットが必要である。 889例から2年以上経過した足底潰瘍像1,210点を含む創傷画像データセットを構築した。 創傷治療の専門家によってピクセル単位で注釈付けされ、1010個の画像と200個の画像からなるテストセットのトレーニングセットに分割して評価する。 世界中のチームが、アノテーションを使用したテストセット上での創傷のセグメンテーションを予測する自動手法を開発した
  論文  参考訳（メタデータ） (2022-01-02T20:34:09Z)
• Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation [8.354517822940783]
  創傷分割マップを高一般化能力で作成するための深層学習手法を提案する。 提案手法では, 深部神経回路が創位置を検出し, 非形態的背景から創を分離し, 創節分割マップを算出した。
  論文  参考訳（メタデータ） (2021-11-02T13:39:13Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。