論文の概要: DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation
- arxiv url: http://arxiv.org/abs/2012.15245v1
- Date: Wed, 30 Dec 2020 17:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 11:34:54.750964
- Title: DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation
- Title（参考訳）: DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation
- Authors: Nikhil Kumar Tomar, Debesh Jha, Sharib Ali, H{\aa}vard D. Johansen,
Dag Johansen, Michael A. Riegler, and P{\aa}l Halvorsen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3734402152170273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colonoscopy is the gold standard for examination and detection of colorectal
polyps. Localization and delineation of polyps can play a vital role in
treatment (e.g., surgical planning) and prognostic decision making. Polyp
segmentation can provide detailed boundary information for clinical analysis.
Convolutional neural networks have improved the performance in colonoscopy.
However, polyps usually possess various challenges, such as intra-and
inter-class variation and noise. While manual labeling for polyp assessment
requires time from experts and is prone to human error (e.g., missed lesions),
an automated, accurate, and fast segmentation can improve the quality of
delineated lesion boundaries and reduce missed rate. The Endotect challenge
provides an opportunity to benchmark computer vision methods by training on the
publicly available Hyperkvasir and testing on a separate unseen dataset. In
this paper, we propose a novel architecture called ``DDANet'' based on a dual
decoder attention network. Our experiments demonstrate that the model trained
on the Kvasir-SEG dataset and tested on an unseen dataset achieves a dice
coefficient of 0.7874, mIoU of 0.7010, recall of 0.7987, and a precision of
0.8577, demonstrating the generalization ability of our model.
- Abstract（参考訳）: 大腸内視鏡は大腸ポリープの検査と検出のための金の標準である。
ポリープの局在とデライン化は、治療(例えば、手術計画)と予後決定において重要な役割を果たす。
ポリープセグメンテーションは臨床分析のための詳細な境界情報を提供することができる。
畳み込みニューラルネットワークは大腸内視鏡の性能を改善した。
しかしながら、ポリプは通常、クラス内およびクラス間変異やノイズなど、様々な課題を抱えている。
ポリープ評価のための手動ラベリングは、専門家の時間を必要とし、ヒューマンエラー(例えば、欠落した病変)を起こしやすいが、自動化され、正確で、高速に分割することで、脱線した病変の境界の品質を改善し、欠落率を減らすことができる。
endotect challengeは、公開のhyperkvasirでトレーニングし、未公開のデータセットでテストすることで、コンピュータビジョンのメソッドをベンチマークする機会を提供する。
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'' と呼ばれる新しいアーキテクチャを提案する。
実験により, Kvasir-SEGデータセットを用いてトレーニングし, 未知のデータセット上で試験したモデルは, ダイス係数0.7874, mIoU0.7010, リコール0.7987, 精度0.8577を達成し, モデルの一般化能力を実証した。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing [32.30835026874521]
日常的な臨床実践では、臨床医は位置と大きさのばらつきの両方でポリープを識別する堅牢性を示す。
自動大腸内視鏡検査において,深部分割モデルが同等の堅牢性を達成できるかどうかは不明である。
本研究は,ポリプ上でのセグメンテーションモデルのロバスト性について,様々な属性と健全なサンプルを用いて評価することに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-22T06:30:37Z) - 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) - Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。
我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
論文 参考訳（メタデータ） (2023-01-17T03:12:57Z) - A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。
トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。
本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-11-01T14:12:58Z) - Automatic Polyp Segmentation with Multiple Kernel Dilated Convolution
Network [3.1374864575817214]
本研究では,自動ポリープ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,textbfMKDCNetを提案する。
4つの公開ポリプデータセットと細胞核データセットの実験は、提案されたMKDCNetが最先端の手法より優れていることを示している。
MKDCNetは、臨床大腸内視鏡のためのリアルタイムシステムを構築するための強力なベンチマークとなる。
論文 参考訳（メタデータ） (2022-06-13T15:47:38Z) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳（メタデータ） (2021-10-17T09:31:20Z) - Automatic Polyp Segmentation using Fully Convolutional Neural Network [0.0]
大腸内視鏡検査における大腸ポリープのミスレートは6～27%である。
大腸内視鏡検査における自動的, 高精度, リアルタイムポリプセグメンテーションの使用は, 臨床医が欠如した病変を除去し, 大腸癌のさらなる進展を予防するのに役立つ。
Medico Automatic Polyp segmentation Challenge'は、polyp segmentationを研究し、高速なセグメンテーションモデルを構築する機会を提供する。
実験により、Kvasir-SEGデータセットでトレーニングされ、未知のデータセットでテストされたモデルは、ディス係数0.7801、mIoU0.6847、リコール0.8077、精度0.8に達することが示された。
論文 参考訳（メタデータ） (2021-01-11T16:20:57Z) - Automatic Polyp Segmentation using U-Net-ResNet50 [1.4174475093445236]
ポリープは大腸癌の前身であり、世界中のがん関連死亡の原因の1つと考えられている。
大腸内視鏡検査では, 形状, サイズ, 周囲の組織類似性の変動により, 大腸ポリープが欠落することが多い。
大腸内視鏡検査において, 自動的, 正確かつ高速なポリープ分割法を用いることで, 多くの大腸ポリープを容易に検出・除去することができる。
論文 参考訳（メタデータ） (2020-12-30T17:59:18Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z) - PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。
並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。
さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文 参考訳（メタデータ） (2020-06-13T08:13:43Z)
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。