論文の概要: UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2205.11759v1
- Date: Tue, 24 May 2022 03:40:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 15:07:51.254192
- Title: UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation
- Title(参考訳): UNet#: 医用画像セグメンテーションのためのUNetライクな再設計スキップ接続
- Authors: Ledan Qian, Xiao Zhou, Yi Li, Zhongyi Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.767615201220138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As an essential prerequisite for developing a medical intelligent assistant
system, medical image segmentation has received extensive research and
concentration from the neural network community. A series of UNet-like networks
with encoder-decoder architecture has achieved extraordinary success, in which
UNet2+ and UNet3+ redesign skip connections, respectively proposing dense skip
connection and full-scale skip connection and dramatically improving compared
with UNet in medical image segmentation. However, UNet2+ lacks sufficient
information explored from the full scale, which will affect the learning of
organs' location and boundary. Although UNet3+ can obtain the full-scale
aggregation feature map, owing to the small number of neurons in the structure,
it does not satisfy the segmentation of tiny objects when the number of samples
is small. This paper proposes a novel network structure combining dense skip
connections and full-scale skip connections, named UNet-sharp (UNet\#) for its
shape similar to symbol \#. The proposed UNet\# can aggregate feature maps of
different scales in the decoder sub-network and capture fine-grained details
and coarse-grained semantics from the full scale, which benefits learning the
exact location and accurately segmenting the boundary of organs or lesions. We
perform deep supervision for model pruning to speed up testing and make it
possible for the model to run on mobile devices; furthermore, designing two
classification-guided modules to reduce false positives achieves more accurate
segmentation results. Various experiments of semantic segmentation and instance
segmentation on different modalities (EM, CT, MRI) and dimensions (2D, 3D)
datasets, including the nuclei, brain tumor, liver, and lung, demonstrate that
the proposed method outperforms state-of-the-art models.
- Abstract(参考訳): 医療用インテリジェントアシスタントシステムの開発に欠かせない前提条件として,医療画像分割はニューラルネットワークコミュニティから広範な研究と集中を受けている。
エンコーダ-デコーダアーキテクチャを備えた一連のUNetライクなネットワークは、UNet2+とUNet3+を再設計し、それぞれ高密度なスキップ接続とフルスケールのスキップ接続を提案し、医用画像セグメンテーションにおいてUNetと比較して劇的に改善した。
しかし、UNet2+には、臓器の位置と境界の学習に影響を与える十分な情報がない。
UNet3+は、構造内の少数のニューロンのため、完全な集約機能マップを得ることができるが、サンプルの数が少ない場合には、小さなオブジェクトのセグメンテーションを満足しない。
本稿では,unet-sharp (unet\#) という,記号 \# に類似した形状を持つ,密なスキップ接続と本格的な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内の異なるスケールの機能マップを集約し、詳細な詳細と粗粒度のセマンティクスをフルスケールから取得することで、正確な位置を学習し、臓器や病変の境界を正確にセグメンテーションするのに役立つ。
モデルプルーニングを深く監視し,テストのスピードアップと,モデルをモバイルデバイス上で動作可能にする。さらに,偽陽性の低減を目的とした2つの分類誘導モジュールの設計によって,より正確なセグメンテーション結果が得られる。
異なるモダリティ(em, ct, mri)と次元(2d, 3d)のデータセット(核, 脳腫瘍, 肝臓, 肺など)におけるセマンティックセグメンテーションとインスタンスセグメンテーションの様々な実験は、提案手法が最先端モデルよりも優れていることを示している。
関連論文リスト
- MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification [25.056170817680403]
そこで本稿では,MAProtoNet と呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。
具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。
医療画像における既存の解釈可能な部分ネットワークと比較して、MAProtoNetはローカライゼーションにおける最先端の性能を達成することができる。
論文 参考訳(メタデータ) (2024-04-13T07:30:17Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-01T10:49:09Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - 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) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳(メタデータ) (2022-04-16T18:00:29Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - w-Net: Dual Supervised Medical Image Segmentation Model with
Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。
提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
論文 参考訳(メタデータ) (2020-11-15T13:54:22Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z) - 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) - UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation [20.558512044987125]
提案するUNet 3+は,フルスケールのスキップ接続と深い監視機能を利用する。
提案手法は, 様々なスケールで現れる臓器に対して特に有用である。
論文 参考訳(メタデータ) (2020-04-19T08:05:59Z)
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。