論文の概要: EAR-U-Net: EfficientNet and attention-based residual U-Net for automatic liver segmentation in CT

• arxiv url: http://arxiv.org/abs/2110.01014v1
• Date: Sun, 3 Oct 2021 14:43:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 05:17:48.302428
• Title: EAR-U-Net: EfficientNet and attention-based residual U-Net for automatic liver segmentation in CT
• Title（参考訳）: EAR-U-Net:CTにおける自動肝セグメンテーションのための高効率ネットとアテンションベース残留U-Net
• Authors: Jinke Wang (1 and 2), Xiangyang Zhang (1), Peiqing Lv (1), Lubiao Zhou (1), Haiying Wang (1) ((1) School of Automation, Harbin University of Science and Technology, Harbin, 150080, China, (2) Rongcheng College, Harbin University of Science and Technology, Rongcheng, 264300, China)
• Abstract要約: 本稿ではEAR-U-Netと呼ばれる新しいネットワークフレームワークを提案する。 EfficientNetB4、アテンションゲート、残留学習技術を活用して、自動的かつ正確な肝セグメンテーションを実現する。
• 参考スコア（独自算出の注目度）: 0.5461681605490603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: This paper proposes a new network framework called EAR-U-Net, which leverages EfficientNetB4, attention gate, and residual learning techniques to achieve automatic and accurate liver segmentation. Methods: The proposed method is based on the U-Net framework. First, we use EfficientNetB4 as the encoder to extract more feature information during the encoding stage. Then, an attention gate is introduced in the skip connection to eliminate irrelevant regions and highlight features of a specific segmentation task. Finally, to alleviate the problem of gradient vanishment, we replace the traditional convolution of the decoder with a residual block to improve the segmentation accuracy. Results: We verified the proposed method on the LiTS17 and SLiver07 datasets and compared it with classical networks such as FCN, U-Net, Attention U-Net, and Attention Res-U-Net. In the Sliver07 evaluation, the proposed method achieved the best segmentation performance on all five standard metrics. Meanwhile, in the LiTS17 assessment, the best performance is obtained except for a slight inferior on RVD. Moreover, we also participated in the MICCIA-LiTS17 challenge, and the Dice per case score was 0.952. Conclusion: The proposed method's qualitative and quantitative results demonstrated its applicability in liver segmentation and proved its good prospect in computer-assisted liver segmentation.
• Abstract（参考訳）: 目的:本論文では,EfficientNetB4,アテンションゲート,残留学習技術を活用したEAR-U-Netという新しいネットワークフレームワークを提案する。 方法:提案手法はU-Netフレームワークに基づいている。 まず、エンコーダとしてEfficientNetB4を使用し、エンコーダの段階でより多くの特徴情報を抽出する。 そして、スキップ接続に注目ゲートを導入し、無関係な領域を排除し、特定のセグメンテーションタスクの特徴を強調する。 最後に、勾配消滅の問題を緩和するため、復号器の従来の畳み込みを残留ブロックに置き換え、セグメンテーション精度を向上させる。 結果: 提案手法をLiTS17およびSLiver07データセット上で検証し, FCN, U-Net, Attention U-Net, Attention Res-U-Netなどの古典的ネットワークと比較した。 Sliver07の評価において,提案手法は5つの標準指標で最高のセグメンテーション性能を達成した。 一方、LiTS17評価では、RVDに若干劣る以外は、最高の性能が得られる。 また,MIICCIA-LiTS17チャレンジにも参加し,ケースごとのDiceスコアは0.952。 結論: 提案手法の質的定量的評価は, 肝分画における有用性を示し, コンピュータ支援肝分画における有用性を示した。

関連論文リスト

• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• SERNet-Former: Semantic Segmentation by Efficient Residual Network with Attention-Boosting Gates and Attention-Fusion Networks [0.0]
  本研究では,一意に効率的な残差ネットワークであるEfficient-ResNetを用いたエンコーダデコーダアーキテクチャを提案する。 アテンションブーティングゲート(AbG)とアテンションブーイングモジュール(AbM)は、グローバルコンテキストの出力の等価サイズで同変および特徴に基づく意味情報を融合することを目的として展開される。 我々のネットワークは、挑戦的なCamVidとCityscapesのデータセットでテストされており、提案手法により、残余ネットワークに対する大幅な改善が示されている。
  論文  参考訳（メタデータ） (2024-01-28T19:58:19Z)
• Efficient Joint Optimization of Layer-Adaptive Weight Pruning in Deep Neural Networks [48.089501687522954]
  ディープニューラルネットワーク(DNN)のための新しい層適応型重み決定手法を提案する。 我々のアプローチは、レイヤ適応型プルーニングスキームを設計するためのすべてのレイヤの集団的影響を考慮に入れている。 我々の実験は、ImageNetとCIFAR-10データセット上の既存の手法よりも、我々のアプローチの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-21T03:22:47Z)
• Rewarded meta-pruning: Meta Learning with Rewards for Channel Pruning [19.978542231976636]
  本稿では,ディープラーニングモデルにおける計算効率向上のためのパラメータとFLOPの削減手法を提案する。 本稿では,ネットワークの精度と計算効率のトレードオフを制御するために,精度と効率係数を導入する。
  論文  参考訳（メタデータ） (2023-01-26T12:32:01Z)
• Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
  医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。 我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。 提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
  論文  参考訳（メタデータ） (2022-12-12T23:12:19Z)
• Voxels Intersecting along Orthogonal Levels Attention U-Net for Intracerebral Haemorrhage Segmentation in Head CT [1.0039211120441933]
  直交レベルに沿ったVoxels-Intersecting along Orthogonal Levels Attention U-Net」と呼ばれる,新規でフレキシブルな注目に基づくU-Netアーキテクチャを提案する。 ICHセグメンテーションの性能は,U-Netデコード分岐に挿入したViolaアテンションにより,空間的およびチャネル的特徴を効率よく組み込むことで向上した。
  論文  参考訳（メタデータ） (2022-08-12T14:53:47Z)
• Distribution-aware Margin Calibration for Semantic Segmentation in Images [78.65312390695038]
  ジャカードインデックス(ジャカードインデックス、Intersection-over-Union、IoU)は、画像セマンティックセグメンテーションにおいて最も重要な評価指標の一つである。 IoUスコアの直接最適化は非常に困難である。 学習目的として直接使用できるマージン校正法を提案し,データ分散に対するIoUの一般化を改良する。
  論文  参考訳（メタデータ） (2021-12-21T22:38:25Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• BCNet: Searching for Network Width with Bilaterally Coupled Network [56.14248440683152]
  この問題に対処するため、BCNet(Bilaterally Coupled Network)と呼ばれる新しいスーパーネットを導入する。 BCNetでは、各チャネルは高度に訓練され、同じ量のネットワーク幅を担っているため、ネットワーク幅をより正確に評価することができる。 提案手法は,他のベースライン手法と比較して,最先端あるいは競合的な性能を実現する。
  論文  参考訳（メタデータ） (2021-05-21T18:54:03Z)
• SOE-Net: A Self-Attention and Orientation Encoding Network for Point Cloud based Place Recognition [50.9889997200743]
  我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。 SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。 様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-24T22:28:25Z)
• DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation [2.3574651879602215]
  残留ネットワーク(ResNet)と密結合ネットワーク(DenseNet)は、ディープ畳み込みニューラルネットワーク(DCNN)のトレーニング効率と性能を大幅に改善した。 両ネットワークの利点を考慮した効率的なネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-28T12:16:24Z)

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。