論文の概要: Gastrointestinal Polyps and Tumors Detection Based on Multi-scale Feature-fusion with WCE Sequences

• arxiv url: http://arxiv.org/abs/2204.01012v1
• Date: Sun, 3 Apr 2022 07:24:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 16:31:33.921037
• Title: Gastrointestinal Polyps and Tumors Detection Based on Multi-scale Feature-fusion with WCE Sequences
• Title（参考訳）: WCEシークエンスを用いたマルチスケール機能融合による消化管ポリープと腫瘍検出
• Authors: Zhuo Falin, Liu Haihua and Pan Ning
• Abstract要約: 本稿では,小腸ポリープと腫瘍を自動的に検出するtextbfTwo-stage textbfMulti-scale textbfFeature-fusion Learning Network(textbfTMFNet)を提案する。 実験では22,335個のWCE画像を用いて,123,092個の病変領域を用いて検出の枠組みを訓練した。
• 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: Wireless Capsule Endoscopy(WCE) has been widely used for the screening of gastrointestinal(GI) diseases, especially the small intestine, due to its advantages of non-invasive and painless imaging of the entire digestive tract.However, the huge amount of image data captured by WCE makes manual reading a process that requires a huge amount of tasks and can easily lead to missed detection and false detection of lesions.Therefore, In this paper, we propose a \textbf{T}wo-stage \textbf{M}ulti-scale \textbf{F}eature-fusion learning network(\textbf{TMFNet}) to automatically detect small intestinal polyps and tumors in WCE image sequences. Specifically, TMFNet consists of lesion detection network and lesion identification network. Among them, the former improves the feature extraction module and detection module based on the traditional Faster R-CNN network, and readjusts the parameters of the anchor in the region proposal network(RPN) module;the latter combines residual structure and feature pyramid structure are used to build a small intestinal lesion recognition network based on feature fusion, for reducing the false positive rate of the former and improve the overall accuracy.We used 22,335 WCE images in the experiment, with a total of 123,092 lesion regions used to train the detection framework of this paper. In the experiment, the detection framework is trained and tested on the real WCE image dataset provided by the hospital gastroenterology department. The sensitivity, false positive and accuracy of the final model on the RPM are 98.81$\%$, 7.43$\%$ and 92.57$\%$, respectively.Meanwhile,the corresponding results on the lesion images were 98.75$\%$, 5.62$\%$ and 94.39$\%$. The algorithm model proposed in this paper is obviously superior to other detection algorithms in detection effect and performance
• Abstract（参考訳）: Wireless Capsule Endoscopy(WCE) has been widely used for the screening of gastrointestinal(GI) diseases, especially the small intestine, due to its advantages of non-invasive and painless imaging of the entire digestive tract.However, the huge amount of image data captured by WCE makes manual reading a process that requires a huge amount of tasks and can easily lead to missed detection and false detection of lesions.Therefore, In this paper, we propose a \textbf{T}wo-stage \textbf{M}ulti-scale \textbf{F}eature-fusion learning network(\textbf{TMFNet}) to automatically detect small intestinal polyps and tumors in WCE image sequences. 具体的には、TMFNetは病変検出ネットワークと病変識別ネットワークから構成される。 Among them, the former improves the feature extraction module and detection module based on the traditional Faster R-CNN network, and readjusts the parameters of the anchor in the region proposal network(RPN) module;the latter combines residual structure and feature pyramid structure are used to build a small intestinal lesion recognition network based on feature fusion, for reducing the false positive rate of the former and improve the overall accuracy.We used 22,335 WCE images in the experiment, with a total of 123,092 lesion regions used to train the detection framework of this paper. 実験では、病院の消化器科が提供した実際のwce画像データセットで検出フレームワークを訓練し、テストする。 RPMの最終モデルの感度, 偽陽性, 精度はそれぞれ98.81$\%$, 7.43$\%$, 92.57$\%$であったが, 病変画像の対応する結果は98.75$\%$, 5.62$\%$, 94.39$\%$であった。 本論文で提案するアルゴリズムモデルは,検出効果と性能において,他の検出アルゴリズムよりも明らかに優れている。

関連論文リスト

• Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
  臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する 深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。 良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。 修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
  論文  参考訳（メタデータ） (2022-11-24T02:55:20Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• DKMA-ULD: Domain Knowledge augmented Multi-head Attention based Robust Universal Lesion Detection [19.165942326142538]
  本稿では,1つのデータセットであるDeepLesionをトレーニングすることにより,全身の臓器にまたがる病変を検出できる,堅牢な普遍的病変検出(ULD)ネットワークを提案する。 我々は,新しい畳み込み型マルチヘッド自己保持モジュールを用いて,様々な強度のCTスライスを解析した。 約32KのCTスキャンと全臓器に注視病変を付加したDeepLesionデータセットを用いて,本ネットワークの有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-14T06:54:28Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
  腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。 我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。 画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
  論文  参考訳（メタデータ） (2021-11-09T00:11:01Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet) [3.0929226049096217]
  畳み込みニューラルネットワーク(CNN)を用いた食道癌全自動切除法を提案する。 提案するネットワークはDilated Dense Attention Unet (DDAUnet) と呼ばれ、各密ブロックにおける空間的およびチャネル的注意力を活用して、決定的特徴写像と領域に選択的に集中する。
  論文  参考訳（メタデータ） (2020-12-06T11:42:52Z)
• Multiscale Detection of Cancerous Tissue in High Resolution Slide Scans [0.0]
  高分解能スライドスキャンにおけるマルチスケール腫瘍(キメラ細胞)検出アルゴリズムを提案する。 提案手法では,CNNの異なる層における有効受容場を改良し,幅広いスケールの物体を1つの前方通過で検出する。
  論文  参考訳（メタデータ） (2020-10-01T18:56:46Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
  本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
  論文  参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。