論文の概要: U-Net and its variants for medical image segmentation: theory and
applications
- arxiv url: http://arxiv.org/abs/2011.01118v1
- Date: Mon, 2 Nov 2020 16:50:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 11:39:39.983837
- Title: U-Net and its variants for medical image segmentation: theory and
applications
- Title（参考訳）: 医用画像分割のためのu-netとその変種:理論と応用
- Authors: Nahian Siddique, Paheding Sidike, Colin Elkin and Vijay Devabhaktuni
- Abstract要約: U-netは、主に医用画像解析のために開発された画像分割技術である。
本稿では,U-netアーキテクチャにおける様々な開発状況について概説する。
- 参考スコア（独自算出の注目度）: 1.4146420810689422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: U-net is an image segmentation technique developed primarily for medical
image analysis that can precisely segment images using a scarce amount of
training data. These traits provide U-net with a very high utility within the
medical imaging community and have resulted in extensive adoption of U-net as
the primary tool for segmentation tasks in medical imaging. The success of
U-net is evident in its widespread use in all major image modalities from CT
scans and MRI to X-rays and microscopy. Furthermore, while U-net is largely a
segmentation tool, there have been instances of the use of U-net in other
applications. As the potential of U-net is still increasing, in this review we
look at the various developments that have been made in the U-net architecture
and provide observations on recent trends. We examine the various innovations
that have been made in deep learning and discuss how these tools facilitate
U-net. Furthermore, we look at image modalities and application areas where
U-net has been applied.
- Abstract（参考訳）: U-netは、主に医療画像解析のために開発された画像分割技術であり、訓練データの少ない量で正確に画像を分割することができる。
これらの特徴により、U-netは医用画像のコミュニティ内で非常に高いユーティリティを提供し、医用画像のセグメンテーションタスクの主要なツールとして広く採用されている。
U-netの成功は、CTスキャンやMRIからX線、顕微鏡まで、あらゆる主要な画像モダリティで広く利用されていることは明らかである。
さらに、U-netは主にセグメンテーションツールであるが、他のアプリケーションでU-netが使われている例もある。
U-netのポテンシャルがまだ高まっているため、このレビューでは、U-netアーキテクチャで行われている様々な展開を概観し、最近のトレンドを考察する。
深層学習における様々なイノベーションについて検討し、これらのツールがU-netをどのように促進するかについて議論する。
さらに,U-netが適用された画像のモダリティや適用領域についても検討する。
関連論文リスト
- MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer
Vision [119.29105800342779]
MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。
ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。
私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
論文 参考訳（メタデータ） (2023-08-30T16:52:20Z) - A hybrid approach for improving U-Net variants in medical image
segmentation [0.0]
医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。
生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。
本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
論文 参考訳（メタデータ） (2023-07-31T07:43:45Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。
画像を読んでいるときに、放射線科医の視線を記録します。
視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
論文 参考訳（メタデータ） (2022-04-06T08:31:05Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - 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) - Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。
MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。
しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
論文 参考訳（メタデータ） (2020-07-14T23:22:04Z) - Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。
提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。
公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
論文 参考訳（メタデータ） (2020-06-27T08:24:46Z) - Medical Image Generation using Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。
GANはリアルな医療画像とそれに対応するアノテーションを生成する。
Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
論文 参考訳（メタデータ） (2020-05-19T20:31:57Z) - BUSU-Net: An Ensemble U-Net Framework for Medical Image Segmentation [0.0]
畳み込みニューラルネットワーク(CNN)は医療画像解析に革命をもたらした。
基礎となるU-Netフレームワークを用いたアンサンブルディープニューラルネットワークを提案する。
このアンサンブルネットワークは,いくつかの評価指標において,最近の最先端ネットワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:18:01Z)
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。