論文の概要: Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units

• arxiv url: http://arxiv.org/abs/2012.14249v1
• Date: Mon, 28 Dec 2020 14:43:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 11:07:58.274398
• Title: Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units
• Title（参考訳）: Lesion Net-Coordinate ConvolutionとDeep Residual Unitsを用いた皮膚病変分割
• Authors: Sabari Nathan, Priya Kansal
• Abstract要約: メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。 提案手法は皮膚病変分節の精度を向上させるのに役立つ。 以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
• 参考スコア（独自算出の注目度）: 18.908448254745473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skin lesions segmentation is an important step in the process of automated diagnosis of the skin melanoma. However, the accuracy of segmenting melanomas skin lesions is quite a challenging task due to less data for training, irregular shapes, unclear boundaries, and different skin colors. Our proposed approach helps in improving the accuracy of skin lesion segmentation. Firstly, we have introduced the coordinate convolutional layer before passing the input image into the encoder. This layer helps the network to decide on the features related to translation invariance which further improves the generalization capacity of the model. Secondly, we have leveraged the properties of deep residual units along with the convolutional layers. At last, instead of using only cross-entropy or Dice-loss, we have combined the two-loss functions to optimize the training metrics which helps in converging the loss more quickly and smoothly. After training and validating the proposed model on ISIC 2018 (60% as train set + 20% as validation set), we tested the robustness of our trained model on various other datasets like ISIC 2018 (20% as test-set) ISIC 2017, 2016 and PH2 dataset. The results show that the proposed model either outperform or at par with the existing skin lesion segmentation methods.
• Abstract（参考訳）: 皮膚悪性黒色腫の診断過程において,皮膚病変の分節は重要なステップである。 しかし, メラノーマ皮膚病変の分画精度は, トレーニングデータが少なく, 不規則な形状, 境界が不明瞭で, 肌の色が異なるため, 極めて難しい課題である。 提案手法は皮膚病変分節の精度を向上させるのに役立つ。 まず、入力画像をエンコーダに渡す前に座標畳み込み層を導入する。 この層はネットワークが翻訳不変性に関する特徴を決定するのに役立ち、モデルの一般化能力をさらに向上させる。 第二に、我々は畳み込み層とともに深部残留単位の特性を利用した。 最終的に、クロスエントロピーやサイスロスのみを使用する代わりに、2ロス関数を組み合わせてトレーニングメトリクスを最適化し、損失をより迅速かつスムーズに収束できるようにしました。 提案されたモデルをISIC 2018(列車セットの60%+検証セットの20%)でトレーニングし、検証した後、トレーニングされたモデルの堅牢性をISIC 2018(テストセットの20%)、ISIC 2017、2016、PH2データセットといったさまざまなデータセットでテストしました。 以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Generative Adversarial Networks based Skin Lesion Segmentation [7.9234173309439715]
  本稿では, 教師なし生成ネットワークを用いて正確な病変マスクを生成する, Efficient-GAN という新たな逆学習基盤を提案する。 Dice係数、Jaccard類似度、精度はそれぞれ90.1%、83.6%、94.5%である。 また,EGANと同等の性能を持つ軽量セグメンテーションフレームワーク(MGAN)を設計する。
  論文  参考訳（メタデータ） (2023-05-29T15:51:31Z)
• 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)
• The Fast and Accurate Approach to Detection and Segmentation of Melanoma Skin Cancer using Fine-tuned Yolov3 and SegNet Based on Deep Transfer Learning [0.6091702876917281]
  メラノーマ(Melanoma)は、ヒトの皮膚のどの部分でも発生する、最も深刻な皮膚がんの1つである。 近年,学習ベースセグメンテーション法は従来のアルゴリズムと比較して,画像セグメンテーションにおいて望ましい結果を得た。 本研究では,深層学習モデルに基づく2段階パイプラインを定義し,メラノーマ皮膚病変の検出とセグメンテーションを改善する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-11T06:09:44Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Exploring dual-attention mechanism with multi-scale feature extraction scheme for skin lesion segmentation [0.0]
  本研究では,新しい畳み込みニューラルネットワークを用いた皮膚病変分割法を提案する。 より差別的な特徴を抽出するために,新しいマルチスケール特徴抽出モジュールを提案する。 提案手法は、ISIC 2018データセットで97.5%、94.29%、91.16%、95.92%、95.37%、91.52%の精度、リコール、JSIを報告した。
  論文  参考訳（メタデータ） (2021-11-16T14:08:35Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation [10.648218637920035]
  自動皮膚病変分割のためのカスケードコンテキスト拡張ニューラルネットワークを定式化する。 ゲートベースの情報統合アプローチを用いた新しいコンテキストアグリゲーションモジュールを提案する。 4つの皮膚皮膚内視鏡画像データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-04-17T08:25:17Z)

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。