論文の概要: A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++, Conditional Random Field and Test-Time Augmentation

• arxiv url: http://arxiv.org/abs/2107.12435v1
• Date: Mon, 26 Jul 2021 18:55:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 04:48:52.357514
• Title: A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++, Conditional Random Field and Test-Time Augmentation
• Title（参考訳）: ResUNet++による大腸ポリープセグメンテーション, 条件付ランダムフィールド, テスト時間拡張に関する総合的研究
• Authors: Debesh Jha, Pia H. Smedsrud, Dag Johansen, Thomas de Lange, H{\aa}vard D. Johansen, P{\aa}l Halvorsen, and Michael A. Riegler
• Abstract要約: 大腸内視鏡は大腸癌とその前駆体を検出するための金の標準であると考えられている。 高度な機械学習アルゴリズムに基づくコンピュータ支援診断システムをゲームチェンジャーとして評価する。
• 参考スコア（独自算出の注目度）: 0.7224497621488285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colonoscopy is considered the gold standard for detection of colorectal cancer and its precursors. Existing examination methods are, however, hampered by high overall miss-rate, and many abnormalities are left undetected. Computer-Aided Diagnosis systems based on advanced machine learning algorithms are touted as a game-changer that can identify regions in the colon overlooked by the physicians during endoscopic examinations, and help detect and characterize lesions. In previous work, we have proposed the ResUNet++ architecture and demonstrated that it produces more efficient results compared with its counterparts U-Net and ResUNet. In this paper, we demonstrate that further improvements to the overall prediction performance of the ResUNet++ architecture can be achieved by using conditional random field and test-time augmentation. We have performed extensive evaluations and validated the improvements using six publicly available datasets: Kvasir-SEG, CVC-ClinicDB, CVC-ColonDB, ETIS-Larib Polyp DB, ASU-Mayo Clinic Colonoscopy Video Database, and CVC-VideoClinicDB. Moreover, we compare our proposed architecture and resulting model with other State-of-the-art methods. To explore the generalization capability of ResUNet++ on different publicly available polyp datasets, so that it could be used in a real-world setting, we performed an extensive cross-dataset evaluation. The experimental results show that applying CRF and TTA improves the performance on various polyp segmentation datasets both on the same dataset and cross-dataset.
• Abstract（参考訳）: 大腸内視鏡は大腸癌とその前駆体を検出するための金の標準であると考えられている。 しかし、既存の検査方法では全体のミス率が高いため、多くの異常が検出されていない。 高度な機械学習アルゴリズムに基づくコンピュータ支援診断システムは、内視鏡検査中に医師が見落としている大腸の領域を識別し、病変を検出して特徴付けるゲームチェンジャーとして評価される。 これまでの研究で、ResUNet++アーキテクチャを提案し、U-NetやResUNetと比較して、より効率的な結果が得られることを示した。 本稿では,条件付き乱数フィールドとテスト時間拡張を用いることで,resunet++アーキテクチャ全体の予測性能をさらに向上できることを実証する。 我々は、Kvasir-SEG、CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB、ASU-Mayo Clinical Colonoscopy Video Database、CVC-VideoClinicDBの6つの公開データセットを用いて、広範な評価を行い、改善の検証を行った。 さらに,提案したアーキテクチャと結果モデルを,他の最先端手法と比較した。 ResUNet++のさまざまな公開ポリプデータセットへの一般化能力を探るため、実世界の環境で使用できるように、広範囲なクロスデータセット評価を行った。 実験結果から,CRFとTTAを適用することにより,同一データセットとクロスデータセットの両方において,さまざまなポリプセグメンテーションデータセットの性能が向上することが示された。

関連論文リスト

• Polyp-E: Benchmarking the Robustness of Deep Segmentation Models via Polyp Editing [32.30835026874521]
  日常的な臨床実践では、臨床医は位置と大きさのばらつきの両方でポリープを識別する堅牢性を示す。 自動大腸内視鏡検査において,深部分割モデルが同等の堅牢性を達成できるかどうかは不明である。 本研究は,ポリプ上でのセグメンテーションモデルのロバスト性について,様々な属性と健全なサンプルを用いて評価することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-22T06:30:37Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Assessing generalisability of deep learning-based polyp detection and segmentation methods through a computer vision challenge [11.914243295893984]
  ポリープは大腸内視鏡で同定されたよく知られたがん前駆体である。 大腸ポリープのサーベイランスと除去は、非常に操作性に依存した手順である。 大腸ポリープの欠失検出率と不完全除去率がある。
  論文  参考訳（メタデータ） (2022-02-24T11:25:52Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
  大腸ポリープの発達は、がんの最も初期の兆候の1つである。 ポリープの早期検出と切除は生存率を90%に大きく向上させる。 大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
  論文  参考訳（メタデータ） (2021-10-17T09:31:20Z)
• Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations [12.160373952983319]
  大腸癌(CRC)は、死亡率の高いがんの最も一般的なタイプの1つです。 コンピュータ支援ポリープ検出・分類システムは大腸内視鏡の有用性を著しく高めることができる。 この研究は、ポリープ検出と分類の将来の研究の基礎となることができる。
  論文  参考訳（メタデータ） (2021-04-22T01:57:35Z)
• Towards a Computed-Aided Diagnosis System in Colonoscopy: Automatic Polyp Segmentation Using Convolution Neural Networks [10.930181796935734]
  大腸内視鏡およびカプセル内視鏡画像における病変の認識のための深層学習フレームワークを提案する。 本研究では, SfS と RGB の新規な組み合わせを提案するとともに, FCN をポリップセグメンテーションに用いた最初の研究について述べる。
  論文  参考訳（メタデータ） (2021-01-15T10:08:53Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)

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。