論文の概要: Double Encoder-Decoder Networks for Gastrointestinal Polyp Segmentation
- arxiv url: http://arxiv.org/abs/2110.01939v1
- Date: Tue, 5 Oct 2021 11:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 20:08:23.989717
- Title: Double Encoder-Decoder Networks for Gastrointestinal Polyp Segmentation
- Title（参考訳）: 消化器ポリプセグメンテーションのための二重エンコーダデコーダネットワーク
- Authors: Adrian Galdran, Gustavo Carneiro, Miguel A. Gonz\'alez Ballester
- Abstract要約: 本稿では,一般的なエンコーダ・デコーダネットワークを直接拡張した意味的セグメンテーションに基づく内視鏡画像からの消化管ポリープのデライン化手法を提案する。
提案手法では,2つの事前学習エンコーダデコーダネットワークを順次積み重ねる。
二重エンコーダ・デコーダネットワークは、すべてのケースにおいて、それぞれのエンコーダ・デコーダネットワークよりも明らかに優れている。
- 参考スコア（独自算出の注目度）: 19.338350044289736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Polyps represent an early sign of the development of Colorectal Cancer. The
standard procedure for their detection consists of colonoscopic examination of
the gastrointestinal tract. However, the wide range of polyp shapes and visual
appearances, as well as the reduced quality of this image modality, turn their
automatic identification and segmentation with computational tools into a
challenging computer vision task. In this work, we present a new strategy for
the delineation of gastrointestinal polyps from endoscopic images based on a
direct extension of common encoder-decoder networks for semantic segmentation.
In our approach, two pretrained encoder-decoder networks are sequentially
stacked: the second network takes as input the concatenation of the original
frame and the initial prediction generated by the first network, which acts as
an attention mechanism enabling the second network to focus on interesting
areas within the image, thereby improving the quality of its predictions.
Quantitative evaluation carried out on several polyp segmentation databases
shows that double encoder-decoder networks clearly outperform their single
encoder-decoder counterparts in all cases. In addition, our best double
encoder-decoder combination attains excellent segmentation accuracy and reaches
state-of-the-art performance results in all the considered datasets, with a
remarkable boost of accuracy on images extracted from datasets not used for
training.
- Abstract（参考訳）: ポリープは大腸癌の発生の早期の徴候である。
検出の標準的な手順は消化管の大腸内視鏡検査である。
しかし、ポリープの形状や視覚的な外観の幅が広く、画像モダリティの品質が低下し、自動識別や計算ツールによるセグメンテーションが困難なコンピュータビジョンタスクに変わった。
本研究では,一般的なエンコーダ・デコーダネットワークを直接拡張した意味的セグメンテーションに基づく内視鏡画像から消化管ポリープをデライン化するための新しい戦略を提案する。
本手法では,2つの事前学習エンコーダ・デコーダネットワークを順次積み重ねる。第2のネットワークは,原フレームの連結と第1のネットワークが生成した初期予測を入力として受け取り,第2のネットワークが画像内の興味深い領域に集中できるようにするための注意機構として機能する。
複数のポリプセグメンテーションデータベース上で行った定量的評価によると、二重エンコーダデコーダネットワークは、すべてのケースにおいて、それぞれのエンコーダデコーダネットワークよりも明らかに優れている。
さらに,この2重エンコーダとデコーダの組み合わせは,良好なセグメンテーション精度を達成し,検討したすべてのデータセットにおいて最先端の性能向上を達成し,トレーニングに使用しないデータセットから抽出した画像の精度を著しく向上させる。
関連論文リスト
- Polyp and Surgical Instrument Segmentation with Double Encoder-Decoder Networks [1.6653762541912462]
本稿では,内視鏡画像からポリープと手術器具を分離するMedAIコンペティションの解決法について述べる。
我々のアプローチは、以前にポリプセグメンテーションに応用した二重エンコーダデコーダニューラルネットワークに依存している。
実験結果から,本手法は医療専門家による手動記述と良好な一致を示すセグメンテーションを創出することが示された。
論文 参考訳（メタデータ） (2024-06-06T09:37:46Z) - MDNet: Multi-Decoder Network for Abdominal CT Organs Segmentation [6.4987174473651725]
臓器の形状,大きさ,複雑な解剖学的関係における異質性の課題に対処するためのtextbftextitacMDNetを提案する。
textitacMDNetは、トレーニング済みのtextitMiT-B2 をエンコーダと複数の異なるデコーダネットワークとして使用するエンコーダ-デコーダネットワークである。
textitacMDNetは、他のベースラインモデルよりも解釈可能で堅牢である。
論文 参考訳（メタデータ） (2024-05-10T01:03:03Z) - 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) - On the Importance of Image Encoding in Automated Chest X-Ray Report
Generation [4.843654097048771]
胸部X線は、そのアクセシビリティと有効性から最も人気のある医用画像モダリティの1つである。
これらの画像を解釈し、患者の状態を診断できる、よく訓練された放射線科医の慢性的な不足がある。
自動放射線診断レポート生成は 臨床実践において 非常に有用なツールです
論文 参考訳（メタデータ） (2022-11-24T08:02:52Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラル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） (2021-09-18T00:21:17Z) - Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing
Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。
1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。
実験では,4つのデータセット上でのモデルの有効性を検証した。
論文 参考訳（メタデータ） (2021-07-24T02:58:32Z) - Enhanced U-Net: A Feature Enhancement Network for Polyp Segmentation [17.8181080354116]
大腸内視鏡画像におけるポリープ分割の精度向上のための特徴拡張ネットワークを提案する。
具体的には,semantic feature enhance module (sfem) を用いて意味情報の拡張を行う。
提案手法は5つの大腸内視鏡データを用いて評価し,他の最先端モデルと比較して優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-03T16:46:26Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic
Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。
そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。
アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文 参考訳（メタデータ） (2020-07-19T18:44:34Z)
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。