論文の概要: Dynamic region proposal networks for semantic segmentation in automated
glaucoma screening
- arxiv url: http://arxiv.org/abs/2105.11364v1
- Date: Wed, 19 May 2021 11:19:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 08:53:25.746431
- Title: Dynamic region proposal networks for semantic segmentation in automated
glaucoma screening
- Title（参考訳）: 緑内障自動スクリーニングにおける意味セグメンテーションのための動的領域提案ネットワーク
- Authors: Shivam Shah, Nikhil Kasukurthi, Harshit Pande
- Abstract要約: 眼底画像による緑内障のスクリーニングは、眼球径比とディスク径比で決定できる。
我々は2つの新しいアプローチ、すなわち2つの新しいアプローチを提案する。
Shared Branched Network (PSBN) and Weak Region of Interest Model-based segmentation (英語)
- 参考スコア（独自算出の注目度）: 0.8029049649310211
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Screening for the diagnosis of glaucoma through a fundus image can be
determined by the optic cup to disc diameter ratio (CDR), which requires the
segmentation of the cup and disc regions. In this paper, we propose two novel
approaches, namely Parameter-Shared Branched Network (PSBN) andWeak Region of
Interest Model-based segmentation (WRoIM) to identify disc and cup boundaries.
Unlike the previous approaches, the proposed methods are trained end-to-end
through a single neural network architecture and use dynamic cropping instead
of manual or traditional computer vision-based cropping. We are able to achieve
similar performance as that of state-of-the-art approaches with less number of
network parameters. Our experiments include comparison with different best
known methods on publicly available Drishti-GS1 and RIM-ONE v3 datasets. With
$7.8 \times 10^6$ parameters our approach achieves a Dice score of 0.96/0.89
for disc/cup segmentation on Drishti-GS1 data whereas the existing
state-of-the-art approach uses $19.8\times 10^6$ parameters to achieve a dice
score of 0.97/0.89.
- Abstract（参考訳）: 眼底画像による緑内障診断のスクリーニングは、カップとディスク領域のセグメンテーションを必要とする視神経カップ対円板径比(cdr)によって決定することができる。
本稿では,パラメータ共有分岐ネットワーク (PSBN) と関心モデルベースセグメンテーション (WRoIM) のWeak Region of Interest Model-based segmentation (WRoIM) という2つの新しい手法を提案する。
従来のアプローチとは異なり、提案手法は単一のニューラルネットワークアーキテクチャを通じてエンドツーエンドでトレーニングされ、手動や従来のコンピュータビジョンベースの収穫ではなく動的収穫を使用する。
ネットワークパラメータの数が少なく、最先端のアプローチと同じようなパフォーマンスを実現できます。
実験では,drishti-gs1とrim-one v3データセットの異なる既知の手法との比較を行った。
7.8 \times 10^6$パラメータではDiceスコアが0.96/0.89でDrishti-GS1データのディスク/カップセグメンテーションが達成され、既存の最先端のアプローチでは19.8\times 10^6$パラメータが0.97/0.89である。
関連論文リスト
- Generalist Segmentation Algorithm for Photoreceptors Analysis in Adaptive Optics Imaging [3.9111016990170286]
共焦点適応光学スキャニング光眼鏡(AOSLO)イメージングにより、導波路光受容体の反射から円錐を可視化することができる。
本稿では,AOSLO画像中のコーンの検出とセグメンテーションを行うための,ディープラーニング(DL)に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-08-27T06:49:21Z) - CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。
CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。
GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
論文 参考訳（メタデータ） (2024-06-20T10:46:50Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - A generalizable approach based on U-Net model for automatic Intra
retinal cyst segmentation in SD-OCT images [1.6114012813668928]
異なるベンダーにまたがる網膜内嚢胞分節に対する新しいU-Netベースのアプローチを提案する。
最初のステップでは、データを受信する際のネットワーク制限の一部を克服する方法で、その情報をネットワークに注入する。
そして次のステップでは、標準U-Netアーキテクチャのエンコーダとデコーダの接続モジュールを導入しました。
論文 参考訳（メタデータ） (2022-02-01T15:23:00Z) - Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method
for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。
提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。
新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
論文 参考訳（メタデータ） (2021-07-10T14:27:46Z) - Binary segmentation of medical images using implicit spline
representations and deep learning [1.5293427903448025]
本稿では,暗黙のスプライン表現と深層畳み込みニューラルネットワークを組み合わせた画像分割手法を提案する。
当社のベストネットワークでは、Diceの平均ボリュームテストスコアが92%近くに達し、この先天性心疾患データセットの最先端に達しています。
論文 参考訳（メタデータ） (2021-02-25T10:04:25Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Utilizing Transfer Learning and a Customized Loss Function for Optic
Disc Segmentation from Retinal Images [0.0]
本稿では,高精細網膜基底像から光学ディスクを分割する深層学習手法を提案する。
このアプローチでは、ImageNetデータセットに基づいてトレーニングされたVGG16エンコーダを備えた、UNETベースのモデルを使用する。
我々は99.78%の精度と94.73%のDice係数を網膜画像から0.03秒で達成した。
論文 参考訳（メタデータ） (2020-10-01T17:55:15Z) - Wasserstein Routed Capsule Networks [90.16542156512405]
複雑なタスクに対処できる新しいパラメータ効率の良いカプセルアーキテクチャを提案する。
我々のネットワークはCIFAR-10で他のカプセルのアプローチを1.2%以上上回ります。
論文 参考訳（メタデータ） (2020-07-22T14:38:05Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳（メタデータ） (2020-03-29T15:01:05Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z)
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。