論文の概要: CoCo DistillNet: a Cross-layer Correlation Distillation Network for
Pathological Gastric Cancer Segmentation
- arxiv url: http://arxiv.org/abs/2108.12173v1
- Date: Fri, 27 Aug 2021 08:36:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-30 14:06:11.996737
- Title: CoCo DistillNet: a Cross-layer Correlation Distillation Network for
Pathological Gastric Cancer Segmentation
- Title（参考訳）: coco distillnet : 病理学的胃癌分画のためのクロスレイヤー相関蒸留ネットワーク
- Authors: Wenxuan Zou, Muyi Sun
- Abstract要約: 病理組織学的胃癌セグメンテーションのための知識蒸留ネットワークであるCoCo DistillNetを提案する。
我々のCoCo DistillNetは、異なる層間のチャネル混合空間的類似性の相関をモデル化し、この知識を事前学習された教師ネットワークから訓練されていないコンパクトな学生ネットワークに転送する。
その結果,胃癌データセットを用いた広範囲な実験により,CoCo DistillNetの顕著な機能を示すことができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep convolutional neural networks have made significant
advances in pathology image segmentation. However, pathology image segmentation
encounters with a dilemma in which the higher-performance networks generally
require more computational resources and storage. This phenomenon limits the
employment of high-accuracy networks in real scenes due to the inherent
high-resolution of pathological images. To tackle this problem, we propose CoCo
DistillNet, a novel Cross-layer Correlation (CoCo) knowledge distillation
network for pathological gastric cancer segmentation. Knowledge distillation, a
general technique which aims at improving the performance of a compact network
through knowledge transfer from a cumbersome network. Concretely, our CoCo
DistillNet models the correlations of channel-mixed spatial similarity between
different layers and then transfers this knowledge from a pre-trained
cumbersome teacher network to a non-trained compact student network. In
addition, we also utilize the adversarial learning strategy to further prompt
the distilling procedure which is called Adversarial Distillation (AD).
Furthermore, to stabilize our training procedure, we make the use of the
unsupervised Paraphraser Module (PM) to boost the knowledge paraphrase in the
teacher network. As a result, extensive experiments conducted on the Gastric
Cancer Segmentation Dataset demonstrate the prominent ability of CoCo
DistillNet which achieves state-of-the-art performance.
- Abstract（参考訳）: 近年,深層畳み込みニューラルネットワークは,病理画像分割において大きな進歩を遂げている。
しかし、病理画像分割は、高パフォーマンスネットワークが一般により多くの計算資源とストレージを必要とするジレンマと遭遇する。
この現象は、病的画像の固有の高分解能のため、実場面での高精度ネットワークの雇用を制限する。
この問題を解決するために,病理組織学的胃癌セグメンテーションのためのクロスレイヤー相関(CoCo)知識蒸留ネットワークであるCoCo DistillNetを提案する。
知識蒸留 - 複雑ネットワークからの知識伝達によるコンパクトネットワークの性能向上を目的とした一般的な技術。
具体的には,各層間のチャネル混合空間類似性の相関をモデル化し,その知識を教師ネットワークから非学習学生ネットワークに伝達する。
また, 逆蒸留 (ad) と呼ばれる蒸留手順をさらに促進するために, 逆蒸留戦略を利用する。
さらに,教師ネットワークにおける知識パラフレーズの促進のために,教師なしパラフレーズモジュール (PM) を用いて訓練の安定化を図る。
その結果,CoCo DistillNetによる胃癌分離データセットに対する広範な実験により,最先端のパフォーマンスを実現することができた。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Rethinking Boundary Detection in Deep Learning Models for Medical Image
Segmentation [27.322629156662547]
Convolution, Transformer, Operator (CTO) と呼ばれる新しいネットワークアーキテクチャを提案する。
CTOは、高い認識精度を達成するために、畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、および明示的な境界検出演算子を組み合わせている。
提案手法の性能を6つの挑戦的医用画像セグメンテーションデータセットで評価した。
論文 参考訳（メタデータ） (2023-05-01T06:13:08Z) - Graph Flow: Cross-layer Graph Flow Distillation for Dual-Efficient
Medical Image Segmentation [0.76146285961466]
ネットワーク効率およびアノテーション効率の良い医用画像セグメンテーションにおいて,クロスレイヤグラフフローの知識を活用するための,新しい総合的知識蒸留法であるグラフフローを提案する。
本稿では,異なるモダリティおよびマルチカテゴリの医療画像データセットに対して,最先端の性能を示す手法の顕著な性能を示す。
論文 参考訳（メタデータ） (2022-03-16T14:56:02Z) - 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) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - Efficient Medical Image Segmentation Based on Knowledge Distillation [30.857487609003197]
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。
論文 参考訳（メタデータ） (2021-08-23T07:41:10Z) - Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。
勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。
実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文 参考訳（メタデータ） (2021-03-31T11:47:47Z) - 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) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。