論文の概要: MC-UNet Multi-module Concatenation based on U-shape Network for Retinal
Blood Vessels Segmentation
- arxiv url: http://arxiv.org/abs/2204.03213v1
- Date: Thu, 7 Apr 2022 04:57:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-09 04:32:27.268814
- Title: MC-UNet Multi-module Concatenation based on U-shape Network for Retinal
Blood Vessels Segmentation
- Title（参考訳）: 網膜血管分割のためのU字型ネットワークに基づくMC-UNet多モジュール結合
- Authors: Ting Zhang, Jun Li, Yi Zhao, Nan Chen, Han Zhou, Hongtao Xu, Zihao
Guan, Changcai Yang, Lanyan Xue, Riqing Chen, Lifang Wei
- Abstract要約: 本稿では,新しいU字型ネットワークであるMulti-module Concatenationについて述べる。
提案するネットワーク構造は,U-Netの基本構造を3層保持する。
その結果,提案手法は特にマイクロ容器に有効であることが示唆された。
- 参考スコア（独自算出の注目度）: 13.623010967312366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of the blood vessels of the retina is an important step
in clinical diagnosis of ophthalmic diseases. Many deep learning frameworks
have come up for retinal blood vessels segmentation tasks. However, the complex
vascular structure and uncertain pathological features make the blood vessel
segmentation still very challenging. A novel U-shaped network named
Multi-module Concatenation which is based on Atrous convolution and
multi-kernel pooling is put forward to retinal vessels segmentation in this
paper. The proposed network structure retains three layers the essential
structure of U-Net, in which the atrous convolution combining the multi-kernel
pooling blocks are designed to obtain more contextual information. The spatial
attention module is concatenated with dense atrous convolution module and
multi-kernel pooling module to form a multi-module concatenation. And different
dilation rates are selected by cascading to acquire a larger receptive field in
atrous convolution. Adequate comparative experiments are conducted on these
public retinal datasets: DRIVE, STARE and CHASE_DB1. The results show that the
proposed method is effective, especially for microvessels. The code will be put
out at https://github.com/Rebeccala/MC-UNet
- Abstract（参考訳）: 網膜血管の正確な分割は眼科疾患の診断において重要なステップである。
網膜血管セグメンテーションタスクのために多くのディープラーニングフレームワークが生まれている。
しかし,血管構造が複雑で病理的特徴が不明なため,血管分画は依然として困難である。
本稿では,重畳とマルチカーネルプールに基づく多モジュール結合と呼ばれる新しいu字型ネットワークについて,網膜血管のセグメンテーションについて述べる。
提案するネットワーク構造は,u-netの基本構造である3層を保持し,マルチカーネルプーリングブロックを結合した大規模畳み込みにより,より文脈情報を得るように設計する。
空間アテンションモジュールは、高密度なアトラス畳み込みモジュールとマルチカーネルプールモジュールとを連結し、マルチモジュール結合を形成する。
そして、異なる拡張率はカスケードによって選択され、アトラス畳み込みにおいてより大きな受容野を得る。
これらのパブリック網膜データセット(DRIVE、STARE、CHASE_DB1)について、適切な比較実験を行う。
その結果,提案手法は特にマイクロ容器に有効であることが示唆された。
コードはhttps://github.com/Rebeccala/MC-UNetで公開される。
関連論文リスト
- KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳（メタデータ） (2024-09-19T14:21:38Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - (M)SLAe-Net: Multi-Scale Multi-Level Attention embedded Network for
Retinal Vessel Segmentation [0.0]
マルチステージ処理の課題に対処するため,マルチスケールでマルチレベルなCNNアーキテクチャ((M)SLAe-Net)を提案する。
我々は、複数のスケールとネットワークの複数のレベルの特徴を抽出することで、我々のモデルが局所的およびグローバル的特徴を全体的に抽出することを可能にする。
D-DPPモジュールは細管に効率よくタスク特異的な損失機能を持たせることで,クロスデータ性能の向上を実現した。
論文 参考訳（メタデータ） (2021-09-05T14:29:00Z) - Contextual Information Enhanced Convolutional Neural Networks for
Retinal Vessel Segmentation in Color Fundus Images [0.0]
自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。
ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。
その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
論文 参考訳（メタデータ） (2021-03-25T06:10:47Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z) - Multi-level Context Gating of Embedded Collective Knowledge for Medical
Image Segmentation [32.96604621259756]
医用画像分割のためのU-Netの拡張を提案する。
U-Net, Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the mechanism of dense convolutions。
提案モデルは6つのデータセットで評価される。
論文 参考訳（メタデータ） (2020-03-10T12:29:59Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。
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。