論文の概要: Efficient Medical Image Segmentation Based on Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2108.09987v1
- Date: Mon, 23 Aug 2021 07:41:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-24 15:31:11.583401
- Title: Efficient Medical Image Segmentation Based on Knowledge Distillation
- Title（参考訳）: 知識蒸留に基づく効率的な医用画像分割
- Authors: Dian Qin, Jiajun Bu, Zhe Liu, Xin Shen, Sheng Zhou, Jingjun Gu, Zhijua
Wang, Lei Wu, Huifen Dai
- Abstract要約: 医用画像セグメンテーションネットワークから知識を抽出し,別の軽量ネットワークを訓練することで,効率的なアーキテクチャを提案する。
また,教師から学生ネットワークへ意味領域情報を伝達するために,医用画像セグメンテーションに適した新しい蒸留モジュールを考案した。
本研究では,本手法で蒸留した軽量ネットワークが,比較的高い動作速度と低いストレージ使用量を必要とするシナリオにおいて,無視できない価値を持つことを示す。
- 参考スコア（独自算出の注目度）: 30.857487609003197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances have been made in applying convolutional neural networks to
achieve more precise prediction results for medical image segmentation
problems. However, the success of existing methods has highly relied on huge
computational complexity and massive storage, which is impractical in the
real-world scenario. To deal with this problem, we propose an efficient
architecture by distilling knowledge from well-trained medical image
segmentation networks to train another lightweight network. This architecture
empowers the lightweight network to get a significant improvement on
segmentation capability while retaining its runtime efficiency. We further
devise a novel distillation module tailored for medical image segmentation to
transfer semantic region information from teacher to student network. It forces
the student network to mimic the extent of difference of representations
calculated from different tissue regions. This module avoids the ambiguous
boundary problem encountered when dealing with medical imaging but instead
encodes the internal information of each semantic region for transferring.
Benefited from our module, the lightweight network could receive an improvement
of up to 32.6% in our experiment while maintaining its portability in the
inference phase. The entire structure has been verified on two widely accepted
public CT datasets LiTS17 and KiTS19. We demonstrate that a lightweight network
distilled by our method has non-negligible value in the scenario which requires
relatively high operating speed and low storage usage.
- Abstract（参考訳）: 近年,医用画像分割問題に対するより正確な予測結果を得るために畳み込みニューラルネットワークを適用している。
しかし,既存の手法の成功は,現実のシナリオでは実現不可能な膨大な計算複雑性と大規模ストレージに大きく依存している。
この問題に対処するために、医用画像分割ネットワークから知識を抽出し、別の軽量ネットワークを訓練することで効率的なアーキテクチャを提案する。
このアーキテクチャにより、軽量ネットワークは、実行効率を維持しながらセグメンテーション能力を大幅に改善することができる。
さらに,教師から学生ネットワークへ意味領域情報を伝達するために,医用画像セグメンテーションに適した新しい蒸留モジュールを考案する。
学生ネットワークは、異なる組織領域から計算された表現の差の程度を模倣するよう強制する。
このモジュールは、医療画像を扱う際に発生する曖昧な境界問題を避け、代わりに各意味領域の内部情報をエンコードして転送する。
モジュールから恩恵を受けた軽量ネットワークは、推論フェーズでの可搬性を維持しながら、実験で最大32.6%の改善を受けることができた。
この構造は、広く受け入れられている2つの公共CTデータセットLiTS17とKiTS19で検証されている。
提案手法により蒸留した軽量ネットワークは, 比較的高い動作速度とストレージ使用量を必要とするシナリオにおいて, 無視できない価値を有することを実証する。
関連論文リスト
- MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。
提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
論文 参考訳（メタデータ） (2024-10-20T16:42:22Z) - Slicer Networks [8.43960865813102]
医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
論文 参考訳（メタデータ） (2024-01-18T09:50:26Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - CMUNeXt: An Efficient Medical Image Segmentation Network based on Large
Kernel and Skip Fusion [11.434576556863934]
CMUNeXtは、効率的な完全畳み込み軽量医療画像セグメンテーションネットワークである。
実際のシーンシナリオにおいて、迅速かつ正確な補助診断を可能にする。
論文 参考訳（メタデータ） (2023-08-02T15:54:00Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - 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) - UNesT: Local Spatial Representation Learning with Hierarchical
Transformer for Efficient Medical Segmentation [29.287521185541298]
我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。
我々は、UNesTが常に最先端の性能を達成し、その一般化性とデータ効率を評価することを示す。
論文 参考訳（メタデータ） (2022-09-28T19:14:38Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳（メタデータ） (2021-06-13T18:55:23Z) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳（メタデータ） (2021-02-21T18:35:14Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。