論文の概要: HIVE-Net: Centerline-Aware HIerarchical View-Ensemble Convolutional Network for Mitochondria Segmentation in EM Images

• arxiv url: http://arxiv.org/abs/2101.02877v1
• Date: Fri, 8 Jan 2021 06:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 09:28:43.178819
• Title: HIVE-Net: Centerline-Aware HIerarchical View-Ensemble Convolutional Network for Mitochondria Segmentation in EM Images
• Title（参考訳）: HIVE-Net: EM画像におけるミトコンドリアセグメンテーションのための中心線対応階層的ビュー・アンサンブル畳み込みネットワーク
• Authors: Zhimin Yuan, Xiaofen Ma, Jiajin Yi, Zhengrong Luo, Jialin Peng
• Abstract要約: より効率的な2次元畳み込みを用いた3次元空間コンテキスト学習のための新しい階層型ビューアンサンブル畳み込み(HVEC)を提案する。 提案手法は, 精度と画質は良好だが, モデルサイズは大幅に小さく, 最先端の手法に対して好適に機能する。
• 参考スコア（独自算出の注目度）: 3.1498833540989413
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of electron microscopy (EM) is an essential step to efficiently obtain reliable morphological statistics. Despite the great success achieved using deep convolutional neural networks (CNNs), they still produce coarse segmentations with lots of discontinuities and false positives for mitochondria segmentation. In this study, we introduce a centerline-aware multitask network by utilizing centerline as an intrinsic shape cue of mitochondria to regularize the segmentation. Since the application of 3D CNNs on large medical volumes is usually hindered by their substantial computational cost and storage overhead, we introduce a novel hierarchical view-ensemble convolution (HVEC), a simple alternative of 3D convolution to learn 3D spatial contexts using more efficient 2D convolutions. The HVEC enables both decomposing and sharing multi-view information, leading to increased learning capacity. Extensive validation results on two challenging benchmarks show that, the proposed method performs favorably against the state-of-the-art methods in accuracy and visual quality but with a greatly reduced model size. Moreover, the proposed model also shows significantly improved generalization ability, especially when training with quite limited amount of training data.
• Abstract（参考訳）: 電子顕微鏡(EM)のセマンティックセグメンテーションは、信頼性のある形態統計を効率的に得るための重要なステップである。 深層畳み込みニューラルネットワーク(cnns)を用いた大きな成功にもかかわらず、ミトコンドリアのセグメンテーションには多くの不連続と偽陽性を伴う粗いセグメンテーションが生み出されている。 本研究では,中心線をミトコンドリアの内在的な形状のキューとして利用してセグメンテーションを規則化する,中心線対応マルチタスクネットワークを提案する。 大規模な医療機器への3D CNNの適用は通常,その計算コストと記憶オーバーヘッドによって妨げられているため,より効率的な2次元畳み込みを用いて3次元空間コンテキストを学習するための3次元畳み込みの簡単な代替案である,新しい階層型ビューアンサンブル畳み込み(HVEC)を導入する。 HVECでは、マルチビュー情報の分解と共有が可能であるため、学習能力が向上する。 提案手法は, 精度と視覚的品質において, モデルサイズを大幅に削減しながら, 最先端の手法に対して良好な性能を示すことを示す。 さらに,本モデルでは,特にトレーニングデータ量が極めて少ない場合において,一般化能力が著しく向上することを示す。

関連論文リスト

• E2ENet: Dynamic Sparse Feature Fusion for Accurate and Efficient 3D Medical Image Segmentation [36.367368163120794]
  E2ENet(Efficient to Efficient Network)と呼ばれる3次元医用画像分割モデルを提案する。 パラメトリックと計算効率の2つの設計が組み込まれている。 さまざまなリソース制約に対して、正確性と効率性のトレードオフを一貫して達成します。
  論文  参考訳（メタデータ） (2023-12-07T22:13:37Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Memory-efficient Segmentation of High-resolution Volumetric MicroCT Images [11.723370840090453]
  本稿では,3次元高解像度画像分割のためのメモリ効率の高いネットワークアーキテクチャを提案する。 このネットワークは、2段階のU-netベースのカスケードフレームワークを通じて、グローバル機能とローカル機能の両方を組み込んでいる。 実験により, セグメント化精度とメモリ効率の両方の観点から, 最先端の3Dセグメンテーション法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T16:42:48Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Multi-Slice Dense-Sparse Learning for Efficient Liver and Tumor Segmentation [4.150096314396549]
  ディープ畳み込みニューラルネットワーク(DCNN)は2次元および3次元の医用画像セグメンテーションにおいて大きな成功を収めている。 そこで我々は,DCNNを正規化するための入力として,密接な隣接スライスと疎隣接スライスを抽出するデータの観点から,新しい密集スプリストレーニングフローを提案する。 また、ネットワークの観点から2.5Dの軽量nnU-Netを設計し、その効率を向上させるために深度的に分離可能な畳み込みを採用する。
  論文  参考訳（メタデータ） (2021-08-15T15:29:48Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。