論文の概要: Deformable Gabor Feature Networks for Biomedical Image Classification

• arxiv url: http://arxiv.org/abs/2012.04109v1
• Date: Mon, 7 Dec 2020 23:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:19:41.218672
• Title: Deformable Gabor Feature Networks for Biomedical Image Classification
• Title（参考訳）: 生体画像分類のための変形可能なgabor特徴ネットワーク
• Authors: Xuan Gong, Xin Xia, Wentao Zhu, Baochang Zhang, David Doermann, Lian Zhuo
• Abstract要約: デフォーマブルガバー畳み込み(DGConv)を導入し、深いネットワーク解釈性を拡張し、複雑な空間変動を可能にする。 DGConvは標準の畳み込みレイヤを置き換え、エンドツーエンドで簡単にトレーニングできる。 マンモグラム用 INbreast データセットと肺X線画像用 ChestX-ray14 データセットにおいて,DGFN を用いた深度多インスタンス多ラベル分類について紹介する。
• 参考スコア（独自算出の注目度）: 40.13594024532627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, deep learning has dominated progress in the field of medical image analysis. We find however, that the ability of current deep learning approaches to represent the complex geometric structures of many medical images is insufficient. One limitation is that deep learning models require a tremendous amount of data, and it is very difficult to obtain a sufficient amount with the necessary detail. A second limitation is that there are underlying features of these medical images that are well established, but the black-box nature of existing convolutional neural networks (CNNs) do not allow us to exploit them. In this paper, we revisit Gabor filters and introduce a deformable Gabor convolution (DGConv) to expand deep networks interpretability and enable complex spatial variations. The features are learned at deformable sampling locations with adaptive Gabor convolutions to improve representativeness and robustness to complex objects. The DGConv replaces standard convolutional layers and is easily trained end-to-end, resulting in deformable Gabor feature network (DGFN) with few additional parameters and minimal additional training cost. We introduce DGFN for addressing deep multi-instance multi-label classification on the INbreast dataset for mammograms and on the ChestX-ray14 dataset for pulmonary x-ray images.
• Abstract（参考訳）: 近年,医学画像解析の分野では,ディープラーニングが進歩している。 しかし,多くの医用画像の複雑な幾何学的構造を表現するための現在のディープラーニング手法は不十分であることがわかった。 ひとつの制限は、ディープラーニングモデルには膨大な量のデータが必要であり、必要な詳細情報で十分な量を取得するのは非常に困難である。 第2の制限は、これらの医用画像の根底にある特徴が十分に確立されていることだが、既存の畳み込みニューラルネットワーク(CNN)のブラックボックスの性質は、それらを利用できない。 本稿では,Gaborフィルタを再検討し,Deformable Gabor Convolution (DGConv)を導入し,ディープネットワークの解釈性を高め,複雑な空間変動を実現する。 これらの特徴は、複雑な対象に対する代表性と堅牢性を改善するために、適応的なガボル畳み込みを持つ変形可能なサンプリング位置で学習される。 DGConvは標準の畳み込みレイヤを置き換え、エンドツーエンドで簡単にトレーニングできるため、変形可能なGabor機能ネットワーク(DGFN)が追加パラメータが少なく、トレーニングコストも最小限に抑えられる。 マンモグラムのINbreastデータセットと肺X線画像のChestX-ray14データセットのDGFNを導入した。

関連論文リスト

• TBConvL-Net: A Hybrid Deep Learning Architecture for Robust Medical Image Segmentation [6.013821375459473]
  医用画像セグメンテーションのための新しいディープラーニングアーキテクチャを提案する。 提案モデルでは,10の公開データセット上でのテクニックの現状に対して,一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-09-05T09:14:03Z)
• Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images [0.0]
  医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。 画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。 これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
  論文  参考訳（メタデータ） (2023-11-13T13:20:54Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A Data-Adaptive Loss Function for Incomplete Data and Incremental Learning in Semantic Image Segmentation [2.294014185517203]
  深層畳み込みニューラルネットワークのトレーニングには、しばしば大量の画像データが必要となる。 決定支援システムがすでにデプロイされ、使用されている場合に、新しい構造を追加すると潜在的な問題が発生する。 アノテーションが欠落した場合でも、利用可能なすべてのデータを利用するために利用可能なデータに適応する新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2021-04-22T12:46:50Z)
• 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)
• 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)
• Multiscale Detection of Cancerous Tissue in High Resolution Slide Scans [0.0]
  高分解能スライドスキャンにおけるマルチスケール腫瘍(キメラ細胞)検出アルゴリズムを提案する。 提案手法では,CNNの異なる層における有効受容場を改良し,幅広いスケールの物体を1つの前方通過で検出する。
  論文  参考訳（メタデータ） (2020-10-01T18:56:46Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Progressive Adversarial Semantic Segmentation [11.323677925193438]
  深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。 画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。 本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T22:48:00Z)

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。