論文の概要: Towards a Computed-Aided Diagnosis System in Colonoscopy: Automatic
Polyp Segmentation Using Convolution Neural Networks
- arxiv url: http://arxiv.org/abs/2101.06040v1
- Date: Fri, 15 Jan 2021 10:08:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:25:26.666138
- Title: Towards a Computed-Aided Diagnosis System in Colonoscopy: Automatic
Polyp Segmentation Using Convolution Neural Networks
- Title(参考訳): 大腸内視鏡におけるCT診断システムに向けて: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: Patrick Brandao, Odysseas Zisimopoulos, Evangelos Mazomenos, Gastone
Ciuti, Jorge Bernal, Marco Visentini-Scarzanella, Arianna Menciassi, Paolo
Dario, Anastasios Koulaouzidis, Alberto Arezzo, David J Hawkes, Danail
Stoyanov
- Abstract要約: 大腸内視鏡およびカプセル内視鏡画像における病変の認識のための深層学習フレームワークを提案する。
本研究では, SfS と RGB の新規な組み合わせを提案するとともに, FCN をポリップセグメンテーションに用いた最初の研究について述べる。
- 参考スコア(独自算出の注目度): 10.930181796935734
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Early diagnosis is essential for the successful treatment of bowel cancers
including colorectal cancer (CRC) and capsule endoscopic imaging with robotic
actuation can be a valuable diagnostic tool when combined with automated image
analysis. We present a deep learning rooted detection and segmentation
framework for recognizing lesions in colonoscopy and capsule endoscopy images.
We restructure established convolution architectures, such as VGG and ResNets,
by converting them into fully-connected convolution networks (FCNs), fine-tune
them and study their capabilities for polyp segmentation and detection. We
additionally use Shape from-Shading (SfS) to recover depth and provide a richer
representation of the tissue's structure in colonoscopy images. Depth is
incorporated into our network models as an additional input channel to the RGB
information and we demonstrate that the resulting network yields improved
performance. Our networks are tested on publicly available datasets and the
most accurate segmentation model achieved a mean segmentation IU of 47.78% and
56.95% on the ETIS-Larib and CVC-Colon datasets, respectively. For polyp
detection, the top performing models we propose surpass the current state of
the art with detection recalls superior to 90% for all datasets tested. To our
knowledge, we present the first work to use FCNs for polyp segmentation in
addition to proposing a novel combination of SfS and RGB that boosts
performance
- Abstract(参考訳): 早期診断は大腸癌 (crc) を含む腸癌の治療に不可欠であり, 自動画像解析と組み合わせることで, カプセル内視鏡画像診断とロボット作動による診断が有用である。
大腸内視鏡およびカプセル内視鏡画像の病変を認識するためのディープラーニングによる根本検出・分節フレームワークを提案する。
我々は、VGGやResNetsのような確立された畳み込みアーキテクチャを再構成し、それらを完全連結畳み込みネットワーク(FCN)に変換し、それらを微調整し、ポリプのセグメンテーションと検出の能力を研究する。
また,SfS(Shading-Shading)を用いて深度を回復し,大腸内視鏡像における組織構造のより豊かな表現を提供する。
RGB情報に付加的な入力チャネルとして,ネットワークモデルに奥行きを組み込んだ結果,ネットワークの性能が向上したことを示す。
我々のネットワークは、公開データセットでテストされており、最も正確なセグメンテーションモデルは、ETIS-LaribデータセットとCVC-Colonデータセットでそれぞれ47.78%と56.95%の平均セグメンテーションIUを達成した。
ポリープ検出では,提案する最上位のモデルが,テスト対象データセットの90%以上のリコール率で現在の技術を超えている。
我々の知る限り、我々は、性能を高める新しいSfSとRGBの組み合わせを提案することに加えて、ポリープセグメンテーションにFCNを使用する最初の研究を示す。
関連論文リスト
- RetSeg: Retention-based Colorectal Polyps Segmentation Network [0.0]
ビジョントランスフォーマー(ViT)は医療画像解析に革命をもたらした。
ViTは、視覚データ処理においてコンテキスト認識を示し、堅牢で正確な予測を行う。
本稿では,マルチヘッド保持ブロックを備えたエンコーダデコーダネットワークRetSegを紹介する。
論文 参考訳(メタデータ) (2023-10-09T06:43:38Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳(メタデータ) (2023-10-09T03:00:15Z) - AttResDU-Net: Medical Image Segmentation Using Attention-based Residual
Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。
CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文 参考訳(メタデータ) (2023-06-25T14:28:08Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳(メタデータ) (2023-03-20T09:50:07Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-08-05T09:31:46Z) - A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++,
Conditional Random Field and Test-Time Augmentation [0.7224497621488285]
大腸内視鏡は大腸癌とその前駆体を検出するための金の標準であると考えられている。
高度な機械学習アルゴリズムに基づくコンピュータ支援診断システムをゲームチェンジャーとして評価する。
論文 参考訳(メタデータ) (2021-07-26T18:55:58Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Triage of Potential COVID-19 Patients from Chest X-ray Images using
Hierarchical Convolutional Networks [5.7179132552879395]
新型コロナウイルス(COVID-19)のパンデミックは、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使うことを研究者に動機付けている。
胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。
本稿では,階層型畳み込みネットワーク(HCN)アーキテクチャを用いて,データを自然に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-01T20:01:22Z) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。