論文の概要: CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal
Biomedical Image Real-Time Segmentation
- arxiv url: http://arxiv.org/abs/2105.04075v1
- Date: Mon, 10 May 2021 02:29:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 14:36:44.123305
- Title: CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal
Biomedical Image Real-Time Segmentation
- Title（参考訳）: CFPNet-M:マルチモーダルバイオメディカル画像リアルタイム分割のための軽量エンコーダデコーダネットワーク
- Authors: Ange Lou, Shuyue Guan and Murray Loew
- Abstract要約: 我々は,新しい軽量アーキテクチャ -- 医療用チャネルワイズ機能ピラミッドネットワークを開発した。
u-netの約2%のパラメータと8mbのメモリを持つ5つの医療データセットで同等のセグメンテーション結果を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, developments of deep learning techniques are providing
instrumental to identify, classify, and quantify patterns in medical images.
Segmentation is one of the important applications in medical image analysis. In
this regard, U-Net is the predominant approach to medical image segmentation
tasks. However, we found that those U-Net based models have limitations in
several aspects, for example, millions of parameters in the U-Net consuming
considerable computation resource and memory, lack of global information, and
missing some tough objects. Therefore, we applied two modifications to improve
the U-Net model: 1) designed and added the dilated channel-wise CNN module, 2)
simplified the U shape network. Based on these two modifications, we proposed a
novel light-weight architecture -- Channel-wise Feature Pyramid Network for
Medicine (CFPNet-M). To evaluate our method, we selected five datasets with
different modalities: thermography, electron microscopy, endoscopy, dermoscopy,
and digital retinal images. And we compared its performance with several models
having different parameter scales. This paper also involves our previous
studies of DC-UNet and some commonly used light-weight neural networks. We
applied the Tanimoto similarity instead of the Jaccard index for gray-level
image measurements. By comparison, CFPNet-M achieves comparable segmentation
results on all five medical datasets with only 0.65 million parameters, which
is about 2% of U-Net, and 8.8 MB memory. Meanwhile, the inference speed can
reach 80 FPS on a single RTX 2070Ti GPU with the 256 by 192 pixels input size.
- Abstract（参考訳）: 現在、深層学習技術の発展は、医療画像のパターンを識別、分類、定量化するための道具を提供している。
セグメンテーションは医療画像解析における重要な応用の1つである。
この点において、U-Netは医用画像分割タスクにおける主要なアプローチである。
しかし、これらのU-Netベースのモデルにはいくつかの面で制限があることが判明した。例えば、U-Net内の数百万のパラメータが相当な計算資源とメモリを消費し、グローバルな情報が不足し、厳しいオブジェクトが不足している。
そこで我々は,U-Netモデルを改善するために2つの改良を加え,1)拡張チャネルワイドCNNモジュールを設計・追加し,2)U字形ネットワークを単純化した。
これら2つの変更に基づき、チャネルワイド・フィーチャーピラミッド・ネットワーク・フォー・メディカル(CFPNet-M)という新しい軽量アーキテクチャを提案する。
この方法を評価するために, 温度, 電子顕微鏡, 内視鏡, 皮膚内視鏡, およびデジタル網膜画像の5種類のデータを選択した。
そして、その性能を異なるパラメータスケールを持つ複数のモデルと比較した。
本論文では,dc-unet と光重み付きニューラルネットワークの先行研究についても述べる。
灰色レベル画像計測にjaccardインデックスの代わりに谷本類似性を適用した。
CFPNet-Mは、U-Netの約2%と8.8MBのメモリを持つわずか0.65万のパラメータを持つ5つの医療データセットに対して、同等のセグメンテーション結果を達成する。
一方、推論速度は、256×192ピクセルの入力サイズを持つ単一のRTX 2070Ti GPU上で80FPSに達する。
関連論文リスト
- LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - 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) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Implementation of a Modified U-Net for Medical Image Segmentation on
Edge Devices [0.5735035463793008]
本稿では,Intel Movidius Neural Compute Stick 2 (NCS-2) による医用画像のセグメンテーションのための改良U-Netの実装について述べる。
脳MRIのBraTsデータセット、心臓MRIデータセット、およびZNSDBデータセットである。
論文 参考訳（メタデータ） (2022-06-06T05:25:19Z) - R2U++: A Multiscale Recurrent Residual U-Net with Dense Skip Connections
for Medical Image Segmentation [0.5735035463793008]
本稿では,新しいU-Netベースの医用画像セグメンテーションアーキテクチャR2U++を提案する。
提案したアーキテクチャでは, 単純な畳み込みバックボーンを, より深い再帰的な畳み込みブロックに置き換える。
エンコーダとデコーダのセマンティックギャップは、濃密なスキップ経路によって減少する。
論文 参考訳（メタデータ） (2022-06-03T19:42:44Z) - 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) - 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) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - U-Net Based Architecture for an Improved Multiresolution Segmentation in
Medical Images [0.0]
我々は,マルチレゾリューション・フレームワークを用いた画像分割のための完全畳み込みニューラルネットワークを提案している。
提案したアーキテクチャ(mrU-Net)では、入力画像とそのダウンサンプルバージョンをネットワーク入力として使用した。
ネットワークを4つの異なる医療データセットでトレーニングし、テストしました。
論文 参考訳（メタデータ） (2020-07-16T10:19:01Z) - DoubleU-Net: A Deep Convolutional Neural Network for Medical Image
Segmentation [1.6416058750198184]
DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。
4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
論文 参考訳（メタデータ） (2020-06-08T18:38:24Z)
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。