論文の概要: Automatic Polyp Segmentation using U-Net-ResNet50
- arxiv url: http://arxiv.org/abs/2012.15247v1
- Date: Wed, 30 Dec 2020 17:59:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 11:27:22.480665
- Title: Automatic Polyp Segmentation using U-Net-ResNet50
- Title（参考訳）: U-Net-ResNet50を用いた自動ポリープセグメンテーション
- Authors: Saruar Alam, Nikhil Kumar Tomar, Aarati Thakur, Debesh Jha, Ashish
Rauniyar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.4174475093445236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Polyps are the predecessors to colorectal cancer which is considered as one
of the leading causes of cancer-related deaths worldwide. Colonoscopy is the
standard procedure for the identification, localization, and removal of
colorectal polyps. Due to variability in shape, size, and surrounding tissue
similarity, colorectal polyps are often missed by the clinicians during
colonoscopy. With the use of an automatic, accurate, and fast polyp
segmentation method during the colonoscopy, many colorectal polyps can be
easily detected and removed. The ``Medico automatic polyp segmentation
challenge'' provides an opportunity to study polyp segmentation and build an
efficient and accurate segmentation algorithm. We use the U-Net with
pre-trained ResNet50 as the encoder for the polyp segmentation. The model is
trained on Kvasir-SEG dataset provided for the challenge and tested on the
organizer's dataset and achieves a dice coefficient of 0.8154, Jaccard of
0.7396, recall of 0.8533, precision of 0.8532, accuracy of 0.9506, and F2 score
of 0.8272, demonstrating the generalization ability of our model.
- Abstract（参考訳）: 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。
大腸内視鏡は大腸ポリープの同定、局在化、除去の標準的手順である。
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。
medico automatic polyp segmentation challenge'は、ポリプセグメンテーションを研究し、効率的かつ正確なセグメンテーションアルゴリズムを構築する機会を提供する。
プリトレーニングされたResNet50をポリプセグメンテーションのエンコーダとしてU-Netを使用する。
本モデルでは,この課題に対して提供されるKvasir-SEGデータセットに基づいてトレーニングを行い,オーガナイザのデータセットで検証し,ディス係数0.8154,ジャカード0.7396,リコール0.8533,精度0.8532,精度0.9506,F2スコア0.8272を達成し,モデルの一般化能力を示す。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - COLON: The largest COlonoscopy LONg sequence public database [0.0]
この疾患の主要なバイオマーカーであるポリープは、大腸内視鏡検査により検出され、局在し、特徴付けられる。
現在、一般に公開されているポリプデータセットは、非パラメトリックなポリプ形状を特徴づけるための計算戦略の大幅な進歩を可能にしている。
この研究は、約3万個のポリプラベル付きフレームと4万個の背景フレームを持つ、最大のコロノスコープLONgシーケンスデータセットであるCOLONを紹介した。
論文 参考訳（メタデータ） (2024-03-01T16:50:16Z) - RUPNet: Residual upsampling network for real-time polyp segmentation [2.6179759969345002]
大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。
画像サイズは512×512$で、提案手法は毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
論文 参考訳（メタデータ） (2023-01-06T20:21:37Z) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳（メタデータ） (2022-12-10T03:43:23Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - 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 via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
提案手法は既存手法と比較して最先端の精度を実現する。
論文 参考訳（メタデータ） (2021-05-02T06:36:36Z) - 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) - DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
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。
論文 参考訳（メタデータ） (2020-12-30T17:52:35Z) - 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。