論文の概要: Automatic Polyp Segmentation via Multi-scale Subtraction Network

• arxiv url: http://arxiv.org/abs/2108.05082v1
• Date: Wed, 11 Aug 2021 07:54:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:29:44.149392
• Title: Automatic Polyp Segmentation via Multi-scale Subtraction Network
• Title（参考訳）: マルチスケールサブトラクションネットワークによる自動ポリプセグメンテーション
• Authors: Xiaoqi Zhao, Lihe Zhang, Huchuan Lu
• Abstract要約: 臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
• 参考スコア（独自算出の注目度）: 100.94922587360871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: More than 90\% of colorectal cancer is gradually transformed from colorectal polyps. In clinical practice, precise polyp segmentation provides important information in the early detection of colorectal cancer. Therefore, automatic polyp segmentation techniques are of great importance for both patients and doctors. Most existing methods are based on U-shape structure and use element-wise addition or concatenation to fuse different level features progressively in decoder. However, both the two operations easily generate plenty of redundant information, which will weaken the complementarity between different level features, resulting in inaccurate localization and blurred edges of polyps. To address this challenge, we propose a multi-scale subtraction network (MSNet) to segment polyp from colonoscopy image. Specifically, we first design a subtraction unit (SU) to produce the difference features between adjacent levels in encoder. Then, we pyramidally equip the SUs at different levels with varying receptive fields, thereby obtaining rich multi-scale difference information. In addition, we build a training-free network "LossNet" to comprehensively supervise the polyp-aware features from bottom layer to top layer, which drives the MSNet to capture the detailed and structural cues simultaneously. Extensive experiments on five benchmark datasets demonstrate that our MSNet performs favorably against most state-of-the-art methods under different evaluation metrics. Furthermore, MSNet runs at a real-time speed of $\sim$70fps when processing a $352 \times 352$ image. The source code will be publicly available at \url{https://github.com/Xiaoqi-Zhao-DLUT/MSNet}. \keywords{Colorectal Cancer \and Automatic Polyp Segmentation \and Subtraction \and LossNet.}
• Abstract（参考訳）: 大腸癌の90%以上は、徐々に大腸ポリープから形質転換される。 臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 したがって, 自動ポリープセグメンテーション技術は, 患者, 医師双方にとって非常に重要である。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 しかし、2つの操作は冗長な情報を容易に生成し、異なるレベルの特徴間の相補性を弱め、不正確なローカライゼーションとポリープのぼやけたエッジをもたらす。 この課題に対処するために,大腸内視鏡画像からポリプを分割するマルチスケールサブトラクションネットワーク(MSNet)を提案する。 具体的には、エンコーダの隣接レベル間の差分特性を生成するために、まず減算ユニット(su)を設計する。 そして、異なるレベルのSUを様々な受容場にピラミッド的に配置し、豊富なマルチスケール差分情報を得る。 さらに,下位層から上部層へのポリプアウェア機能を包括的に監視し,msnetが詳細な情報と構造的手がかりを同時にキャプチャする,トレーニングフリーネットワーク"lossnet"を構築した。 5つのベンチマークデータセットに対する大規模な実験により、我々のMSNetは、異なる評価基準の下で、ほとんどの最先端メソッドに対して好適に機能することを示した。 さらに、MSNetは352 \times 352$イメージを処理する場合、リアルタイムの速度が$\sim$70fpsである。 ソースコードは \url{https://github.com/Xiaoqi-Zhao-DLUT/MSNet} で公開されている。 \keywords{Colorectal Cancer \and Automatic Polyp Segmentation \and Subtraction \and LossNet.

関連論文リスト

• M3FPolypSegNet: Segmentation Network with Multi-frequency Feature Fusion for Polyp Localization in Colonoscopy Images [1.389360509566256]
  M3FPolypSegNet (M3FPolypSegNet) は、入力画像を低周波数成分/高周波数成分に分解する。 我々は3つの独立したマルチ周波数エンコーダを用いて、複数の入力画像を高次元の特徴空間にマッピングした。 我々は,4つのデコーダブロックで3つのマルチタスク学習(領域,エッジ,距離)を設計し,その領域の構造的特徴を学習した。
  論文  参考訳（メタデータ） (2023-10-09T09:01:53Z)
• 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)
• Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
  本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。 我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
  論文  参考訳（メタデータ） (2023-01-17T03:12:57Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• Automatic Polyp Segmentation with Multiple Kernel Dilated Convolution Network [3.1374864575817214]
  本研究では,自動ポリープセグメンテーションのための新しいディープラーニングアーキテクチャ,textbfMKDCNetを提案する。 4つの公開ポリプデータセットと細胞核データセットの実験は、提案されたMKDCNetが最先端の手法より優れていることを示している。 MKDCNetは、臨床大腸内視鏡のためのリアルタイムシステムを構築するための強力なベンチマークとなる。
  論文  参考訳（メタデータ） (2022-06-13T15:47:38Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)
• 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)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。