論文の概要: Real-Time Polyp Detection, Localization and Segmentation in Colonoscopy
Using Deep Learning
- arxiv url: http://arxiv.org/abs/2011.07631v2
- Date: Wed, 31 Mar 2021 20:21:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:32:28.618604
- Title: Real-Time Polyp Detection, Localization and Segmentation in Colonoscopy
Using Deep Learning
- Title（参考訳）: ディープラーニングを用いた大腸内視鏡におけるリアルタイムポリープ検出, 局在, セグメンテーション
- Authors: Debesh Jha, Sharib Ali, Nikhil Kumar Tomar, H{\aa}vard D. Johansen,
Dag D. Johansen, Jens Rittscher, Michael A. Riegler, and P{\aa}l Halvorsen
- Abstract要約: 大腸内視鏡画像のオープンアクセスデータセットであるKvasir-SEGを用いて,最近の最先端手法のベンチマークを行った。
提案したColonSegNetは平均精度0.8000と平均IoU0.8100と、検出およびローカライゼーションタスクにおいて毎秒180フレームの高速なトレードオフを実現したことを示す。
- 参考スコア（独自算出の注目度）: 1.331701345310088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer-aided detection, localisation, and segmentation methods can help
improve colonoscopy procedures. Even though many methods have been built to
tackle automatic detection and segmentation of polyps, benchmarking of
state-of-the-art methods still remains an open problem. This is due to the
increasing number of researched computer vision methods that can be applied to
polyp datasets. Benchmarking of novel methods can provide a direction to the
development of automated polyp detection and segmentation tasks. Furthermore,
it ensures that the produced results in the community are reproducible and
provide a fair comparison of developed methods. In this paper, we benchmark
several recent state-of-the-art methods using Kvasir-SEG, an open-access
dataset of colonoscopy images for polyp detection, localisation, and
segmentation evaluating both method accuracy and speed. Whilst, most methods in
literature have competitive performance over accuracy, we show that the
proposed ColonSegNet achieved a better trade-off between an average precision
of 0.8000 and mean IoU of 0.8100, and the fastest speed of 180 frames per
second for the detection and localisation task. Likewise, the proposed
ColonSegNet achieved a competitive dice coefficient of 0.8206 and the best
average speed of 182.38 frames per second for the segmentation task. Our
comprehensive comparison with various state-of-the-art methods reveals the
importance of benchmarking the deep learning methods for automated real-time
polyp identification and delineations that can potentially transform current
clinical practices and minimise miss-detection rates.
- Abstract（参考訳）: コンピュータによる検出,局所化,分節化は大腸内視鏡検査の改善に有用である。
ポリプの自動検出とセグメンテーションに取り組むために多くの手法が構築されているが、最先端の手法のベンチマークはいまだに未解決の問題である。
これは、polypデータセットに適用可能な研究対象のコンピュータビジョンメソッドが増えているためである。
新たな手法のベンチマークは、自動ポリープ検出およびセグメンテーションタスクの開発への方向性を提供する。
さらに, コミュニティにおける生産結果の再現性を確保し, 開発手法の公正な比較を行う。
本稿では,ポリープ検出,局所化,セグメンテーションのための大腸内視鏡画像のオープンアクセスデータセットであるkvasir-segを用いた最新手法のベンチマークを行った。
文献におけるほとんどの手法は、精度よりも競争性能が高いが、提案したColonSegNetは平均精度0.8000と平均IoU0.8100のトレードオフを達成し、検出およびローカライゼーションタスクでは毎秒180フレームの高速化を実現している。
同様に、提案されたColonSegNetは競合ダイス係数0.8206を達成し、セグメンテーションタスクでは毎秒182.38フレームの最高速度を達成した。
最先端の手法を総合的に比較した結果,リアルタイムポリープの自動同定とデライン化のために深層学習法をベンチマークし,現在の臨床実践を変革し,誤検出率を最小化することの重要性が明らかになった。
関連論文リスト
- CRIS: Collaborative Refinement Integrated with Segmentation for Polyp Segmentation [0.0]
本稿では,マスクの改良とセマンティックセマンティックセグメンテーションを融合したアプローチを提案する。
確立したベンチマークデータセットを総合評価することで,提案手法の優位性を実証する。
論文 参考訳（メタデータ） (2024-05-30T03:56:01Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - TransNetR: Transformer-based Residual Network for Polyp Segmentation
with Multi-Center Out-of-Distribution Testing [2.3293678240472517]
大腸ポリープ分割のためのトランスフォーマーを用いたResidual Network(TransNetR)を提案する。
TransNetRは、トレーニング済みのResNet50をエンコーダとして、3つのデコーダブロックと、ネットワークの終端にあるアップサンプリング層で構成されるエンコーダ・デコーダネットワークである。
高いダイス係数は0.8706、平均インターセクションは0.8016であり、Kvasir-SEGデータセット上でのリアルタイム処理速度は54.60である。
論文 参考訳（メタデータ） (2023-03-13T19:11:17Z) - Predicted Embedding Power Regression for Large-Scale Out-of-Distribution
Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。
提案手法は,計算コストの最小化のみで,現在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） (2023-03-07T18:28:39Z) - RUPNet: Residual upsampling network for real-time polyp segmentation [2.6179759969345002]
大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。
画像サイズは512×512$で、提案手法は毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
論文 参考訳（メタデータ） (2023-01-06T20:21:37Z) - Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。
従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。
本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-06T16:46:30Z) - On the Limits of Pseudo Ground Truth in Visual Camera Re-localisation [83.29404673257328]
再ローカライゼーションベンチマークは、各メソッドが参照アルゴリズムの結果をいかにうまく再現するかを測定する。
このことは、参照アルゴリズムの選択がある種の再ローカライゼーション手法を好むかどうかを問うものである。
本稿では、広く使われている2つの再ローカライゼーションデータセットを分析し、参照アルゴリズムの選択によって評価結果が実際に異なることを示す。
論文 参考訳（メタデータ） (2021-09-01T12:01:08Z) - AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
提案手法は既存手法と比較して最先端の精度を実現する。
論文 参考訳（メタデータ） (2021-05-02T06:36:36Z) - DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
本稿では,デュアルデコーダアテンションネットワークに基づくDDANet'という新しいアーキテクチャを提案する。
実験では、Kvasir-SEGデータセットで訓練され、見えないデータセットでテストされたモデルは、0.7874のダイス係数、0.7010のmIoU、0.7987のリコール、0.8577の精度を達成した。
論文 参考訳（メタデータ） (2020-12-30T17:52:35Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳（メタデータ） (2020-08-21T15:03:21Z)
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。