論文の概要: The Unreasonable Effectiveness of Encoder-Decoder Networks for Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2011.12643v1
• Date: Wed, 25 Nov 2020 11:10:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 02:27:54.767794
• Title: The Unreasonable Effectiveness of Encoder-Decoder Networks for Retinal Vessel Segmentation
• Title（参考訳）: 網膜血管セグメンテーションにおけるエンコーダデコーダネットワークの有効性
• Authors: Bj\"orn Browatzki, J\"orn-Philipp Lies, Christian Wallraven
• Abstract要約: 網膜画像における血管のセグメンテーションのためのエンコーダデコーダフレームワークを提案する。 3つの基礎画像データセットの実験は、このアプローチが最先端の結果を達成することを実証している。 VLightと呼ばれるこのフレームワークは、特定のトレーニングイメージへの過度な適合を回避し、さまざまなデータセットをまたがって適切に一般化されていることを示す。
• 参考スコア（独自算出の注目度）: 3.351714665243138
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose an encoder-decoder framework for the segmentation of blood vessels in retinal images that relies on the extraction of large-scale patches at multiple image-scales during training. Experiments on three fundus image datasets demonstrate that this approach achieves state-of-the-art results and can be implemented using a simple and efficient fully-convolutional network with a parameter count of less than 0.8M. Furthermore, we show that this framework - called VLight - avoids overfitting to specific training images and generalizes well across different datasets, which makes it highly suitable for real-world applications where robustness, accuracy as well as low inference time on high-resolution fundus images is required.
• Abstract（参考訳）: 本稿では,複数の画像スケールにおける大規模パッチの抽出に依存する網膜画像における血管分割のためのエンコーダ・デコーダフレームワークを提案する。 3つの基底画像データセットの実験により、このアプローチが最先端の成果を達成し、0.8m未満のパラメータ数を持つ単純で効率的な完全畳み込みネットワークで実装できることが示されている。 さらに、このフレームワークは、VLightと呼ばれ、特定のトレーニングイメージへの過度な適合を回避し、異なるデータセットにまたがって適切に一般化し、堅牢性、正確性、高解像度のファウンダス画像に対する低い推論時間を必要とする現実世界のアプリケーションに非常に適していることを示す。

関連論文リスト

• Light-weight Retinal Layer Segmentation with Global Reasoning [14.558920359236572]
  OCT画像に適用可能な網膜層セグメンテーションのためのLightReSegを提案する。 提案手法は,現在の最先端技術であるTransUnetと比較して,セグメンテーション性能が向上する。
  論文  参考訳（メタデータ） (2024-04-25T05:42:41Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• An Accurate and Efficient Neural Network for OCTA Vessel Segmentation and a New Dataset [2.8743451550676866]
  OCTA画像における網膜血管セグメンテーションのための高精度かつ効率的なニューラルネットワークを提案する。 提案するネットワークは,パラメータが少なく,推論速度も速く,他のSOTA手法に匹敵する精度を実現している。 918個のOCTA画像とそれに対応する血管アノテーションを含む新しいデータセットを作成する。
  論文  参考訳（メタデータ） (2023-09-18T04:47:12Z)
• Cascaded Cross-Attention Networks for Data-Efficient Whole-Slide Image Classification Using Transformers [0.11219061154635457]
  全スライディングイメージングは、組織標本の高解像度画像のキャプチャとデジタル化を可能にする。 高解像度情報を効果的に活用するための候補としてトランスフォーマーアーキテクチャが提案されている。 本稿では,抽出されたパッチ数と線形にスケールするクロスアテンション機構に基づく新しいカスケード型クロスアテンションネットワーク(CCAN)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T16:42:24Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Leveraging Image Complexity in Macro-Level Neural Network Design for Medical Image Segmentation [3.974175960216864]
  画像の複雑さは、与えられたデータセットに最適なものを選択するためのガイドラインとして利用できることを示す。 高複雑性データセットの場合、元のイメージ上で実行される浅いネットワークは、ダウンサンプリングされたイメージ上で実行されるディープネットワークよりもセグメンテーション結果が優れている可能性がある。
  論文  参考訳（メタデータ） (2021-12-21T09:49:47Z)
• Image Magnification Network for Vessel Segmentation in OCTA Images [5.535039549947958]
  OCTA画像における血管分割のための新しい画像拡大ネットワーク(IMN)を提案する。 オープンな3つのOCTAデータセットの実験結果は、平均ダイススコア90.2%のIMNが最高の性能を達成していることを示している。
  論文  参考訳（メタデータ） (2021-10-26T06:18:38Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。