論文の概要: Wound Segmentation with Dynamic Illumination Correction and Dual-view
Semantic Fusion
- arxiv url: http://arxiv.org/abs/2207.05388v1
- Date: Tue, 12 Jul 2022 08:37:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 23:54:09.637413
- Title: Wound Segmentation with Dynamic Illumination Correction and Dual-view
Semantic Fusion
- Title(参考訳): 動的照明補正とデュアルビューセマンティクス融合による創傷分節
- Authors: Honghui Liu, Changjian Wang, Kele Xu, Fangzhao Li, Ming Feng, Yuxing
Peng and Hongjun He
- Abstract要約: 本稿では、創傷画像分割のためのエンドツーエンドのデュアルビューセグメンテーション手法を提案する。
深部セグメンテーションモデルに学習可能な照明補正モジュールを組み込む。
モジュールのパラメータはトレーニング段階で自動的に学習および更新が可能である一方で、デュアルビュー融合は生画像と拡張画像の両方の機能を完全に活用することができる。
- 参考スコア(独自算出の注目度): 12.615240144934257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wound image segmentation is a critical component for the clinical diagnosis
and in-time treatment of wounds. Recently, deep learning has become the
mainstream methodology for wound image segmentation. However, the
pre-processing of the wound image, such as the illumination correction, is
required before the training phase as the performance can be greatly improved.
The correction procedure and the training of deep models are independent of
each other, which leads to sub-optimal segmentation performance as the fixed
illumination correction may not be suitable for all images. To address
aforementioned issues, an end-to-end dual-view segmentation approach was
proposed in this paper, by incorporating a learn-able illumination correction
module into the deep segmentation models. The parameters of the module can be
learned and updated during the training stage automatically, while the
dual-view fusion can fully employ the features from both the raw images and the
enhanced ones. To demonstrate the effectiveness and robustness of the proposed
framework, the extensive experiments are conducted on the benchmark datasets.
The encouraging results suggest that our framework can significantly improve
the segmentation performance, compared to the state-of-the-art methods.
- Abstract(参考訳): 創部イメージセグメンテーションは, 臨床診断と創傷のリアルタイム治療において重要な要素である。
近年,深層学習が創傷画像セグメンテーションの主流となっている。
しかし、トレーニングフェーズ前には、照明補正などの創傷画像の事前処理が必要であり、性能が大幅に向上する。
深層モデルの補正手順と訓練は互いに独立しており、全ての画像に固定照明補正が適さないため、準最適セグメンテーション性能をもたらす。
上記の問題に対処するために,学習可能な照明補正モジュールを深部セグメンテーションモデルに組み込むことにより,エンドツーエンドのデュアルビューセグメンテーション手法を提案する。
モジュールのパラメータはトレーニングステージ中に自動的に学習および更新でき、デュアルビュー融合はrawイメージと拡張されたイメージの両方の機能を完全に活用することができる。
提案手法の有効性とロバスト性を示すため,ベンチマークデータセットを用いて広範な実験を行った。
その結果,最先端手法と比較して,セグメンテーション性能が大幅に向上する可能性が示唆された。
関連論文リスト
- AI Guided Early Screening of Cervical Cancer [0.0]
このプロジェクトでは、医療画像データセットの事前処理、強化、整理に重点を置いている。
データセットには、正常と異常の2つの分類と、追加のノイズ変動がある。
医療異常検出のための正確かつ効果的な機械学習モデルを作成するため、この徹底的なアプローチにより高品質な入力データが保証される。
論文 参考訳(メタデータ) (2024-11-19T17:39:03Z) - 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) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-07-02T10:39:29Z) - 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) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳(メタデータ) (2021-11-22T05:06:12Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2021-06-06T02:27:55Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-04-05T15:50:16Z) - Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。
本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。
筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文 参考訳(メタデータ) (2020-07-06T20:27:38Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Adaptive Fractional Dilated Convolution Network for Image Aesthetics
Assessment [33.945579916184364]
適応型分数拡張畳み込み(AFDC)は、畳み込みカーネルレベルでこの問題に取り組むために開発された。
ミニバッチ学習のための簡潔な定式化を行い,グループ化戦略を用いて計算オーバーヘッドを削減する。
提案手法は,AVAデータセットを用いた画像美学評価において,最先端の性能を実現することを実証した。
論文 参考訳(メタデータ) (2020-04-06T21:56:29Z)
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。