論文の概要: Assessing the Role of Random Forests in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2103.16492v1
• Date: Tue, 30 Mar 2021 16:47:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 15:05:12.972166
• Title: Assessing the Role of Random Forests in Medical Image Segmentation
• Title（参考訳）: 医用画像分割におけるランダム森林の役割評価
• Authors: Dennis Hartmann, Dominik M\"uller, I\~naki Soto-Rey and Frank Kramer
• Abstract要約: 2つのランダムな森林アプローチと最先端の深層畳み込みニューラルネットワークを比較した。 評価の結果, 深部畳み込みニュートラルネットワークは最良の結果を得た。 ランダムな森林アプローチの1つは、同様の高性能を達成しました。
• 参考スコア（独自算出の注目度）: 0.6882042556551611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks represent a field of research that can quickly achieve very good results in the field of medical image segmentation using a GPU. A possible way to achieve good results without GPUs are random forests. For this purpose, two random forest approaches were compared with a state-of-the-art deep convolutional neural network. To make the comparison the PhC-C2DH-U373 and the retinal imaging datasets were used. The evaluation showed that the deep convolutional neutral network achieved the best results. However, one of the random forest approaches also achieved a similar high performance. Our results indicate that random forest approaches are a good alternative to deep convolutional neural networks and, thus, allow the usage of medical image segmentation without a GPU.
• Abstract（参考訳）: ニューラルネットワークは、GPUを用いた医療画像セグメンテーションの分野で、非常に優れた結果を迅速に得る研究分野である。 gpuなしで良い結果を得るための可能な方法はランダムフォレストである。 この目的のために、2つのランダムな森林アプローチを最先端の深層畳み込みニューラルネットワークと比較した。 phc-c2dh-u373と網膜イメージングデータセットの比較を行った。 評価の結果, 深部畳み込みニュートラルネットワークは最良の結果を得た。 しかし、ランダムな森林アプローチの1つも同様に高い性能を達成した。 以上の結果から,ランダムフォレストアプローチは深層畳み込みニューラルネットワークの優れた代替手段であり,gpuを使わずに医用画像セグメンテーションを利用可能であることが示唆された。

関連論文リスト

• Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling [4.211128681972148]
  ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。 ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。 ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
  論文  参考訳（メタデータ） (2022-09-28T21:34:47Z)
• Robust and efficient computation of retinal fractal dimension through deep approximation [2.580765958706854]
  網膜特性を計算する方法は、高画質の画像にのみ適用可能な複雑で多段階のパイプラインである傾向がある。 本稿では,DART(Deep Approximation of Retinal Traits)を提案する。
  論文  参考訳（メタデータ） (2022-07-12T15:34:35Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
  従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。 提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。 公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2020-06-27T08:24:46Z)
• Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation [15.059891142682117]
  本稿では,強化学習を用いた最適学習戦略のための自動探索手法を提案する。 提案手法は,3次元医用画像分割の課題に対して有効である。
  論文  参考訳（メタデータ） (2020-06-10T14:24:06Z)
• KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
  本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。 このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。 早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
  論文  参考訳（メタデータ） (2020-06-08T18:59:24Z)
• The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile [55.41644538483948]
  U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。 U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
  論文  参考訳（メタデータ） (2020-05-25T13:51:03Z)
• Neural Random Forest Imitation [24.02961053662835]
  我々は、ランダムな森林からトレーニングデータを生成し、その振る舞いを模倣するニューラルネットワークを学習することで、模倣学習アプローチを導入する。 この暗黙的な変換は、ランダムな森林の決定境界を学習する非常に効率的なニューラルネットワークを生成する。 いくつかの実世界のベンチマークデータセットの実験は、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2019-11-25T11:04:30Z)

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。