論文の概要: Self-Supervised U-Net for Segmenting Flat and Sessile Polyps
- arxiv url: http://arxiv.org/abs/2110.08776v1
- Date: Sun, 17 Oct 2021 09:31:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 12:41:23.064450
- Title: Self-Supervised U-Net for Segmenting Flat and Sessile Polyps
- Title（参考訳）: 偏平・セシラスポリプセグメンテーションのための自己教師付きu-net
- Authors: Debayan Bhattacharya, Christian Betz, Dennis Eggert, Alexander
Schlaefer
- Abstract要約: 大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
- 参考スコア（独自算出の注目度）: 63.62764375279861
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colorectal Cancer(CRC) poses a great risk to public health. It is the third
most common cause of cancer in the US. Development of colorectal polyps is one
of the earliest signs of cancer. Early detection and resection of polyps can
greatly increase survival rate to 90%. Manual inspection can cause
misdetections because polyps vary in color, shape, size and appearance. To this
end, Computer-Aided Diagnosis systems(CADx) has been proposed that detect
polyps by processing the colonoscopic videos. The system acts a secondary check
to help clinicians reduce misdetections so that polyps may be resected before
they transform to cancer. Polyps vary in color, shape, size, texture and
appearance. As a result, the miss rate of polyps is between 6% and 27% despite
the prominence of CADx solutions. Furthermore, sessile and flat polyps which
have diameter less than 10 mm are more likely to be undetected. Convolutional
Neural Networks(CNN) have shown promising results in polyp segmentation.
However, all of these works have a supervised approach and are limited by the
size of the dataset. It was observed that smaller datasets reduce the
segmentation accuracy of ResUNet++. We train a U-Net to inpaint randomly
dropped out pixels in the image as a proxy task. The dataset we use for
pre-training is Kvasir-SEG dataset. This is followed by a supervised training
on the limited Kvasir-Sessile dataset. Our experimental results demonstrate
that with limited annotated dataset and a larger unlabeled dataset,
self-supervised approach is a better alternative than fully supervised
approach. Specifically, our self-supervised U-Net performs better than five
segmentation models which were trained in supervised manner on the
Kvasir-Sessile dataset.
- Abstract（参考訳）: 大腸癌(crc)は公衆の健康に大きなリスクをもたらす。
これはアメリカ合衆国で3番目に多いがんの原因である。
大腸ポリープは最も初期のがんの徴候の一つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
手動検査は、ポリープの色、形状、サイズ、外観が異なるため、誤検出を引き起こす可能性がある。
このため,大腸内視鏡ビデオの処理によりポリープを検出するcadx (computer-assisted diagnostic systems) が提案されている。
このシステムは、臨床医ががんに転換する前にポリープを切除できるように、誤検出を減らすために二次チェックを行う。
ポリプは色、形、サイズ、テクスチャ、外観によって異なる。
その結果,CADx溶液の出現にもかかわらず,ポリプのミス率は6%から27%であった。
さらに、直径が10mm未満の皮脂や平らなポリプは検出されない傾向が強い。
畳み込みニューラルネットワーク(CNN)は,ポリプセグメンテーションにおいて有望な結果を示した。
しかしながら、これらの作業はすべて教師付きアプローチであり、データセットのサイズによって制限される。
より小さなデータセットはResUNet++のセグメンテーション精度を低下させる。
u-netをトレーニングして、プロキシタスクとして画像中のピクセルをランダムにドロップアウトします。
事前トレーニングに使用するデータセットは、Kvasir-SEGデータセットです。
この後、限られたKvasir-Sessileデータセットの教師付きトレーニングが行われる。
実験の結果,限定的な注釈付きデータセットとより大きなラベル付きデータセットでは,自己教師付きアプローチが完全な教師付きアプローチよりも優れた代替手段であることが判明した。
具体的には、Kvasir-Sessileデータセットに基づいて教師付き方法でトレーニングされた5つのセグメンテーションモデルより優れている。
関連論文リスト
- PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy [31.54817948734052]
3934の静止ポリプ画像を含む大規模公開データセットであるPolypDBを紹介する。
このデータセットは10人の消化器科医によって開発され、検証されている。
8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
論文 参考訳（メタデータ） (2024-08-19T05:36:01Z) - ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic
Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。
本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。
Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。
微調整段階におけるIoU誘導サンプル再重み付けの導入
論文 参考訳（メタデータ） (2024-01-10T07:03:41Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - 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) - TransResU-Net: Transformer based ResU-Net for Real-Time Colonoscopy
Polyp Segmentation [1.9875031133911856]
ポリープ,腺腫,進行腺腫の誤診率は高い。
深層学習に基づくコンピュータ支援診断システム(CADx)は、消化器科医が見逃される可能性のあるポリプを見つけるのに役立つかもしれない。
TransResU-Netはリアルタイムポリープ検出システムを構築するための強力なベンチマークになり得る。
論文 参考訳（メタデータ） (2022-06-17T19:36:37Z) - 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) - PolypConnect: Image inpainting for generating realistic gastrointestinal
tract images with polyps [1.7915968197912802]
下部消化管(GI)におけるポリープの早期同定は,致死性大腸癌の予防につながる可能性がある。
ポリープを検出するCADシステムは、検出精度と効率を改善し、エンドスコピストと呼ばれるドメインの専門家の時間を節約することができる。
本稿では,非ポリプ画像からポリプ画像に変換することにより,トレーニング用データセットのサイズを拡大するPolypConnectパイプラインを提案する。
論文 参考訳（メタデータ） (2022-05-30T20:20:19Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
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。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
本稿では,デュアルデコーダアテンションネットワークに基づくDDANet'という新しいアーキテクチャを提案する。
実験では、Kvasir-SEGデータセットで訓練され、見えないデータセットでテストされたモデルは、0.7874のダイス係数、0.7010のmIoU、0.7987のリコール、0.8577の精度を達成した。
論文 参考訳（メタデータ） (2020-12-30T17:52:35Z) - 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。