論文の概要: DivergentNets: Medical Image Segmentation by Network Ensemble

• arxiv url: http://arxiv.org/abs/2107.00283v1
• Date: Thu, 1 Jul 2021 08:15:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-02 21:51:28.477757
• Title: DivergentNets: Medical Image Segmentation by Network Ensemble
• Title（参考訳）: DivergentNets: ネットワークアンサンブルによる医用画像セグメンテーション
• Authors: Vajira Thambawita, Steven A. Hicks, P{\aa}l Halvorsen, Michael A. Riegler
• Abstract要約: 大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。 Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。 3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。 私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
• 参考スコア（独自算出の注目度）: 0.6372261626436676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of colon polyps has become a trending topic in the intersecting fields of machine learning and gastrointestinal endoscopy. The focus has mainly been on per-frame classification. More recently, polyp segmentation has gained attention in the medical community. Segmentation has the advantage of being more accurate than per-frame classification or object detection as it can show the affected area in greater detail. For our contribution to the EndoCV 2021 segmentation challenge, we propose two separate approaches. First, a segmentation model named TriUNet composed of three separate UNet models. Second, we combine TriUNet with an ensemble of well-known segmentation models, namely UNet++, FPN, DeepLabv3, and DeepLabv3+, into a model called DivergentNets to produce more generalizable medical image segmentation masks. In addition, we propose a modified Dice loss that calculates loss only for a single class when performing multiclass segmentation, forcing the model to focus on what is most important. Overall, the proposed methods achieved the best average scores for each respective round in the challenge, with TriUNet being the winning model in Round I and DivergentNets being the winning model in Round II of the segmentation generalization challenge at EndoCV 2021. The implementation of our approach is made publicly available on GitHub.
• Abstract（参考訳）: 大腸ポリープの検出は、機械学習や消化器内視鏡の分野におけるトレンドとなっている。 主にフレーム単位の分類に焦点を当てている。 近年,ポリープセグメンテーションが医学界で注目されている。 セグメンテーションは、フレーム単位の分類やオブジェクト検出よりも、影響を受ける領域をより詳細に示すことができるという利点がある。 本研究では,EndoCV 2021セグメンテーションへのコントリビューションとして2つのアプローチを提案する。 まず、triunet というセグメンテーションモデルが3つの unet モデルで構成されている。 次に、TriUNetをUNet++、FPN、DeepLabv3、DeepLabv3+といったよく知られたセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを生成する。 さらに,マルチクラスセグメンテーションを行う場合,単一のクラスに対してのみ損失を計算する修正サイスロスを提案する。 提案手法は,各ラウンド毎の平均スコアを達成し,TriUNetがラウンドIの優勝モデル,DivergentNetsがラウンドIIの優勝モデル,EndoCV 2021のセグメンテーション一般化チャレンジの優勝モデルとなった。 このアプローチの実装はGitHubで公開されています。

関連論文リスト

• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Learning with Explicit Shape Priors for Medical Image Segmentation [17.110893665132423]
  UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。 明示的な形状の先行は、大域的および局所的な形状の先行から成っている。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T11:12:35Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation [28.656853454251426]
  本研究は,皮膚病変の制御のための人工知能(AI)フレームワークを開発する。 MFSNetは3つの公開データセットで評価され、最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-27T16:10:40Z)
• Universal Segmentation of 33 Anatomies [19.194539991903593]
  本稿では,33の解剖学的構造を普遍的に分割する単一モデルの学習手法を提案する。 我々は、複数のデータセットの結合からそのようなモデルを学び、各データセットには部分的にラベル付けされた画像が含まれている。 我々は,複数のオープンソースデータセット上でモデルを評価し,モデルが優れた一般化性能を有することを示す。
  論文  参考訳（メタデータ） (2022-03-04T02:29:54Z)
• 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)

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。