Fugu-MT 論文翻訳(概要): Explainable Medical Image Segmentation via Generative Adversarial Networks and Layer-wise Relevance Propagation

論文の概要: Explainable Medical Image Segmentation via Generative Adversarial Networks and Layer-wise Relevance Propagation

arxiv url: http://arxiv.org/abs/2111.01665v1
Date: Tue, 2 Nov 2021 15:22:28 GMT
ステータス: 処理完了
システム内更新日: 2021-11-03 16:44:11.778232
Title: Explainable Medical Image Segmentation via Generative Adversarial Networks and Layer-wise Relevance Propagation
Title（参考訳）: 生成的対立ネットワークによる説明可能な医用画像分割とレイヤーワイド関連伝播
Authors: Awadelrahman M. A. Ahmed and Leen A. M. Ali
Abstract要約: 本稿では, 内視鏡画像中のポリープと楽器の両方を識別するために, 生成的対向ネットワークモデルを提案することにより, 医用画像分割の自動化に寄与する。本研究の主な貢献は,どの入力画像画素が予測に関連があるかを指定するレイヤワイド・レバレンス・プロポーザル・アプローチを用いて,予測に関する説明を提供することである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper contributes to automating medical image segmentation by proposing generative adversarial network-based models to segment both polyps and instruments in endoscopy images. A major contribution of this work is to provide explanations for the predictions using a layer-wise relevance propagation approach designating which input image pixels are relevant to the predictions and to what extent. On the polyp segmentation task, the models achieved 0.84 of accuracy and 0.46 on Jaccard index. On the instrument segmentation task, the models achieved 0.96 of accuracy and 0.70 on Jaccard index. The code is available at https://github.com/Awadelrahman/MedAI.
Abstract（参考訳）: 本稿では,ポリープとインスツルメンツの両方を内視鏡画像に分割するための生成型逆ネットワークモデルを提案することで,医用画像分割の自動化に寄与する。この研究の主な貢献は、どの入力画像画素が予測とどの程度関連しているかを指定する階層的関連伝播手法を用いて予測を説明することである。 polypのセグメンテーションタスクでは、モデルは0.84の精度と0.46のjaccardインデックスを達成した。計器セグメンテーションタスクでは、モデルの精度は0.96、ジャカード指数は0.70に達した。コードはhttps://github.com/Awadelrahman/MedAIで入手できる。

関連論文リスト

MAPUNetR: A Hybrid Vision Transformer and U-Net Architecture for Efficient and Interpretable Medical Image Segmentation [0.0]
本稿では,医用画像セグメンテーションのためのU-Netフレームワークを用いて,トランスフォーマーモデルの強度を相乗化する新しいアーキテクチャMAPUNetRを紹介する。本モデルでは,分解能保存課題に対処し,セグメンテーションされた領域に着目したアテンションマップを導入し,精度と解釈可能性を高める。臨床実習における医用画像セグメンテーションの強力なツールとして,本モデルが安定した性能と可能性を維持していることを示す。
論文参考訳（メタデータ） (2024-10-29T16:52:57Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
論文参考訳（メタデータ） (2023-01-17T03:12:57Z)
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)
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)
Longer Version for "Deep Context-Encoding Network for Retinal Image Captioning" [21.558908631487405]
網膜画像の医療報告を自動的に生成する新しいコンテキスト駆動型符号化ネットワークを提案する。提案するモデルは,主にマルチモーダル入力エンコーダと融合機能デコーダから構成される。
論文参考訳（メタデータ） (2021-05-30T13:37:03Z)
CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal Biomedical Image Real-Time Segmentation [0.0]
我々は,新しい軽量アーキテクチャ -- 医療用チャネルワイズ機能ピラミッドネットワークを開発した。 u-netの約2%のパラメータと8mbのメモリを持つ5つの医療データセットで同等のセグメンテーション結果を達成している。
論文参考訳（メタデータ） (2021-05-10T02:29:11Z)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
A Deep Learning-based Method to Extract Lumen and Media-Adventitia in Intravascular Ultrasound Images [3.2963079183841297]
血管内超音波(IVUS)による冠動脈壁の直接の可視化が可能。現在のセグメンテーションは、時間とユーザ依存のマニュアル操作に依存している。本稿では,エンコーダ・デコーダ深層アーキテクチャを用いた深層学習に基づく手法を提案する。
論文参考訳（メタデータ） (2021-02-21T00:10:05Z)
Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文参考訳（メタデータ） (2020-07-09T01:39:39Z)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。