論文の概要: Lightweight U-Net for High-Resolution Breast Imaging
- arxiv url: http://arxiv.org/abs/2011.13698v1
- Date: Fri, 27 Nov 2020 12:25:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 02:23:02.154441
- Title: Lightweight U-Net for High-Resolution Breast Imaging
- Title(参考訳): 高分解能乳房イメージングのための軽量U-Net
- Authors: Mickael Tardy, Diana Mateus
- Abstract要約: 乳癌検診における悪性度検出の文脈における完全畳み込みニューラルネットワークの検討を行った。
我々は,ネットワークの精度と計算複雑性との間の許容範囲の妥協を求める教師付きセグメンテーションタスクに取り組んでいる。
- 参考スコア(独自算出の注目度): 8.081659150043592
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We study the fully convolutional neural networks in the context of malignancy
detection for breast cancer screening. We work on a supervised segmentation
task looking for an acceptable compromise between the precision of the network
and the computational complexity.
- Abstract(参考訳): 乳癌検診における悪性度検出における完全畳み込みニューラルネットワークの検討を行った。
我々は,ネットワークの精度と計算複雑性との間の許容範囲の妥協を求める教師付きセグメンテーションタスクに取り組んでいる。
関連論文リスト
- Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2024-03-14T12:05:25Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Scale-Agnostic Super-Resolution in MRI using Feature-Based Coordinate
Networks [27.88156965743815]
本稿では,MRIにおける超解像処理のための座標ネットワークデコーダを提案する。
座標ネットワークの連続信号表現により、このアプローチはスケールに依存しない。
複数のデノベーション戦略の下でのネットワークの挙動を解析する。
論文 参考訳(メタデータ) (2022-10-17T00:42:12Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳(メタデータ) (2021-04-05T13:15:22Z) - Task-driven Self-supervised Bi-channel Networks Learning for Diagnosis
of Breast Cancers with Mammography [3.616305360490957]
tsbnl(task-driven bi-channel network)フレームワークは,マンモグラムを限定した分類ネットワークの性能を向上させるために提案されている。
実験の結果,乳がんの診断には従来のsslアルゴリズムを上回っており,サンプルが限られていた。
論文 参考訳(メタデータ) (2021-01-15T17:28:52Z) - An Efficient Confidence Measure-Based Evaluation Metric for Breast
Cancer Screening Using Bayesian Neural Networks [3.834509400202395]
乳がん検診における信頼度測定に基づく評価基準を提案する。
ベースライン変換学習と比較して,信頼度が向上し,画像集合の精度が向上することを示す。
論文 参考訳(メタデータ) (2020-08-12T20:34:14Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳(メタデータ) (2020-05-25T13:51:03Z) - Learning Decision Ensemble using a Graph Neural Network for Comorbidity
Aware Chest Radiograph Screening [4.9178119168798045]
機械学習に基づく自動化ソリューションは、放射線科医の定期的なスクリーニングの負担を軽減するために開発されている。
異なる疾患間の依存関係をモデル化するアンサンブル予測を得るために,グラフニューラルネットワーク(GNN)に基づくソリューションを提案する。
論文 参考訳(メタデータ) (2020-04-24T12:57:50Z)
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。