Fugu-MT 論文翻訳(概要): Pyramid U-Net for Retinal Vessel Segmentation

論文の概要: Pyramid U-Net for Retinal Vessel Segmentation

arxiv url: http://arxiv.org/abs/2104.02333v1
Date: Tue, 6 Apr 2021 07:33:52 GMT
ステータス: 処理完了
システム内更新日: 2021-04-07 13:54:25.443162
Title: Pyramid U-Net for Retinal Vessel Segmentation
Title（参考訳）: 網膜血管セグメンテーションのためのピラミッドU-Net
Authors: Jiawei Zhang, Yanchun Zhang, Xiaowei Xu
Abstract要約: 正確な網膜血管セグメンテーションのためのピラミッドU-Netを提案する。提案されたピラミッドスケールアグリゲーションブロック(PSAB)は、エンコーダとデコーダの両方に採用されている。当社のピラミッドU-Netは、パブリックDRIVEおよびCHASE-DB1データセットの現在の最新メソッドを上回っています。
参考スコア（独自算出の注目度）: 22.91204798022379
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Retinal blood vessel can assist doctors in diagnosis of eye-related diseases such as diabetes and hypertension, and its segmentation is particularly important for automatic retinal image analysis. However, it is challenging to segment these vessels structures, especially the thin capillaries from the color retinal image due to low contrast and ambiguousness. In this paper, we propose pyramid U-Net for accurate retinal vessel segmentation. In pyramid U-Net, the proposed pyramid-scale aggregation blocks (PSABs) are employed in both the encoder and decoder to aggregate features at higher, current and lower levels. In this way, coarse-to-fine context information is shared and aggregated in each block thus to improve the location of capillaries. To further improve performance, two optimizations including pyramid inputs enhancement and deep pyramid supervision are applied to PSABs in the encoder and decoder, respectively. For PSABs in the encoder, scaled input images are added as extra inputs. While for PSABs in the decoder, scaled intermediate outputs are supervised by the scaled segmentation labels. Extensive evaluations show that our pyramid U-Net outperforms the current state-of-the-art methods on the public DRIVE and CHASE-DB1 datasets.
Abstract（参考訳）: 網膜血管は糖尿病や高血圧などの眼疾患の診断を補助し、その分節化は網膜画像の自動解析において特に重要である。しかしながら、これらの血管構造、特に低コントラストと曖昧さのため、色の網膜画像から細い毛細血管を分離することは困難である。本稿では,正確な網膜血管分割のためのピラミッドU-Netを提案する。ピラミッドU-Netでは,提案するピラミッドスケールアグリゲーションブロック (PSAB) がエンコーダとデコーダの両方で採用され,高レベル,高レベル,高レベル,低レベルの特徴を集約する。このようにして、粒度の細かいコンテキスト情報を各ブロックに共有して集約することにより、毛細血管の位置を改善する。さらに性能を向上させるために、エンコーダとデコーダのpsabにピラミッド入力の強化とディープピラミッドの監督を含む2つの最適化を適用する。エンコーダ内のPSABに対しては、拡張入力画像が追加入力として追加される。デコーダのpsabに対して、スケールド中間出力はスケールドセグメンテーションラベルによって監視される。我々のピラミッドU-Netは、パブリックDRIVEとCHASE-DB1データセットの最先端の手法よりも優れています。

関連論文リスト

MDNet: Multi-Decoder Network for Abdominal CT Organs Segmentation [6.4987174473651725]
臓器の形状,大きさ,複雑な解剖学的関係における異質性の課題に対処するためのtextbftextitacMDNetを提案する。 textitacMDNetは、トレーニング済みのtextitMiT-B2 をエンコーダと複数の異なるデコーダネットワークとして使用するエンコーダ-デコーダネットワークである。 textitacMDNetは、他のベースラインモデルよりも解釈可能で堅牢である。
論文参考訳（メタデータ） (2024-05-10T01:03:03Z)
Light-weight Retinal Layer Segmentation with Global Reasoning [14.558920359236572]
OCT画像に適用可能な網膜層セグメンテーションのためのLightReSegを提案する。提案手法は,現在の最先端技術であるTransUnetと比較して,セグメンテーション性能が向上する。
論文参考訳（メタデータ） (2024-04-25T05:42:41Z)
G-CASCADE: Efficient Cascaded Graph Convolutional Decoding for 2D Medical Image Segmentation [8.550528610846456]
我々は、新しいグラフ畳み込みに基づくデコーダ、すなわちカスケードグラフ畳み込みアテンションデコーダ(G-CASCADE)を提案する。 G-CASCADEは、効率的なグラフ畳み込みブロックを持つ階層変換器エンコーダによって生成される多段特徴写像を徐々に洗練する。我々のデコーダは他の階層エンコーダと簡単に使用でき、汎用的セマンティックおよび医用画像セグメンテーションタスクに利用できる。
論文参考訳（メタデータ） (2023-10-24T20:41:04Z)
Feature Enhancer Segmentation Network (FES-Net) for Vessel Segmentation [19.455350961592742]
本稿では,画像強調ステップを必要とせずに正確な画素分割を実現する機能拡張セグメンテーションネットワーク(FES-Net)を提案する。 FES-Netは入力画像を直接処理し、ダウンサンプリング中に4つのプロンプト畳み込みブロック(PCB)を利用する。 DRIVE, STARE, CHASE, HRFの4つの公開技術データセット上でのFES-Netの性能を評価する。
論文参考訳（メタデータ） (2023-09-07T07:46:46Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
論文参考訳（メタデータ） (2022-07-21T22:17:21Z)
SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss [13.021014899410684]
畳み込みニューラルネットワークは血管構造を抽出する重要な能力を示した本稿では,共有デコーダとピラミッド様損失に基づく網膜血管セグメンテーションのための新しいディープニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-02-19T03:44:34Z)
Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-18T00:21:17Z)
Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。実験では,4つのデータセット上でのモデルの有効性を検証した。
論文参考訳（メタデータ） (2021-07-24T02:58:32Z)
Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-05-31T06:55:43Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)

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。