論文の概要: Automatic Polyp Segmentation using Fully Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2101.04001v1
- Date: Mon, 11 Jan 2021 16:20:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 18:07:53.964851
- Title: Automatic Polyp Segmentation using Fully Convolutional Neural Network
- Title（参考訳）: 完全畳み込みニューラルネットワークを用いた自動ポリープ分割
- Authors: Nikhil Kumar Tomar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colorectal cancer is one of fatal cancer worldwide. Colonoscopy is the
standard treatment for examination, localization, and removal of colorectal
polyps. However, it has been shown that the miss-rate of colorectal polyps
during colonoscopy is between 6 to 27%. The use of an automated, accurate, and
real-time polyp segmentation during colonoscopy examinations can help the
clinicians to eliminate missing lesions and prevent further progression of
colorectal cancer. The ``Medico automatic polyp segmentation challenge''
provides an opportunity to study polyp segmentation and build a fast
segmentation model. The challenge organizers provide a Kvasir-SEG dataset to
train the model. Then it is tested on a separate unseen dataset to validate the
efficiency and speed of the segmentation model. The experiments demonstrate
that the model trained on the Kvasir-SEG dataset and tested on an unseen
dataset achieves a dice coefficient of 0.7801, mIoU of 0.6847, recall of
0.8077, and precision of 0.8126, demonstrating the generalization ability of
our model. The model has achieved 80.60 FPS on the unseen dataset with an image
resolution of $512 \times 512$.
- Abstract（参考訳）: 大腸癌は世界中で致命的ながんの1つだ。
大腸内視鏡は大腸ポリープの検査・局在・除去の標準的な治療である。
しかし,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%であった。
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。
チャレンジオーガナイザはモデルをトレーニングするためのKvasir-SEGデータセットを提供する。
次に、セグメンテーションモデルの効率と速度を検証するために、別個の未認識データセット上でテストする。
実験により, Kvasir-SEGデータセットを用いてトレーニングし, 未確認データセット上で試験したモデルは, ダイス係数0.7801, mIoU0.6847, リコール0.8077, 精度0.8126を達成し, モデルの一般化能力を実証した。
このモデルは、画像解像度が512 \times 512$の未確認データセットで80.60 FPSを達成した。
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) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Learning to segment prostate cancer by aggressiveness from scribbles in
bi-parametric MRI [0.0]
弱いアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に対処する深層U-Netモデルを提案する。
トレーニングには6.35%のボクセルしか使用せず,完全教師付きベースラインにアプローチできることが示唆された。
コーエンのカッパスコアは弱いモデルでは 0.29 $pm$ 0.07 であり,ベースラインでは 0.32 $pm$ 0.05 である。
論文 参考訳（メタデータ） (2022-07-01T11:52:05Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - 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) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳（メタデータ） (2021-03-23T16:08:43Z) - Colonoscopy Polyp Detection: Domain Adaptation From Medical Report
Images to Real-time Videos [76.37907640271806]
大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。
収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-12-31T10:33:09Z) - 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) - 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)
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。