論文の概要: COBRA: Cpu-Only aBdominal oRgan segmentAtion

• arxiv url: http://arxiv.org/abs/2207.10446v1
• Date: Thu, 21 Jul 2022 12:34:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:37:55.570597
• Title: COBRA: Cpu-Only aBdominal oRgan segmentAtion
• Title（参考訳）: cobra:cpuのみの腹部臓器セグメンテーション
• Authors: Edward G. A. Henderson, D\'onal M. McSweeney, Andrew F. Green
• Abstract要約: 腹部臓器の分節は困難で時間を要する作業である。 現在のアプローチは畳み込みニューラルネットワーク(CNN)が支配している 我々の手法は精度の高いセグメンテーションを生成する(Dice similarity Coefficient (%): Liver: 97.3$pm$1.3, Kidneys: 94.8$pm$3.6, Spleen: 96.4$pm$3.0, Pancreas: 80.9$pm$10.1)。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Abdominal organ segmentation is a difficult and time-consuming task. To reduce the burden on clinical experts, fully-automated methods are highly desirable. Current approaches are dominated by Convolutional Neural Networks (CNNs) however the computational requirements and the need for large data sets limit their application in practice. By implementing a small and efficient custom 3D CNN, compiling the trained model and optimizing the computational graph: our approach produces high accuracy segmentations (Dice Similarity Coefficient (%): Liver: 97.3$\pm$1.3, Kidneys: 94.8$\pm$3.6, Spleen: 96.4$\pm$3.0, Pancreas: 80.9$\pm$10.1) at a rate of 1.6 seconds per image. Crucially, we are able to perform segmentation inference solely on CPU (no GPU required), thereby facilitating easy and widespread deployment of the model without specialist hardware.
• Abstract（参考訳）: 腹部臓器のセグメンテーションは困難で時間のかかる作業である。 臨床専門家の負担を軽減するため,完全自動化法が望ましい。 現在のアプローチは畳み込みニューラルネットワーク(convolutional neural networks, cnns)が支配しているが、計算要件と大規模データセットの必要性は、実際の応用を制限する。 我々の手法は、訓練されたモデルをコンパイルし、計算グラフを最適化することで、高い精度のセグメンテーションを生成する(Dice similarity Coefficient (%): Liver: 97.3$\pm$1.3, Kidneys: 94.8$\pm$3.6, Spleen: 96.4$\pm$3.0, Pancreas: 80.9$\pm$10.1)。 重要なことは、CPUのみにセグメンテーション推論を実行し(GPUを必要としない)、専門のハードウェアを使わずに、モデルの簡単かつ広範なデプロイを容易にすることができる。

関連論文リスト

• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
  我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。 我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
  論文  参考訳（メタデータ） (2022-10-14T01:42:05Z)
• Combining Hybrid Architecture and Pseudo-label for Semi-supervised Abdominal Organ Segmentation [8.392397691020232]
  本研究では,CNNとTransformerのハイブリッドアーキテクチャ(PHTrans)を教師モデルと学生モデルの両方に適用し,正確な擬似ラベルを生成する。 FLARE2022の検証実験により,提案手法は高速かつ低リソースなモデル推論だけでなく,セグメンテーション性能にも優れることを示した。
  論文  参考訳（メタデータ） (2022-07-23T13:02:43Z)
• RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation from CT Scans [62.16198969529679]
  CT(Computed tomography)スキャンにおける手動リブ検査は臨床的に重要であるが、労働集約的である。 公開データセットから490個のCTスキャン(11,719個のリブ)を含むラベル付きリブセグメンテーションベンチマークemphRibSegを開発した。 入力からスパルスボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。
  論文  参考訳（メタデータ） (2021-09-17T16:17:35Z)
• Multistage Pruning of CNN Based ECG Classifiers for Edge Devices [9.223908421919733]
  畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。 既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。 本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-08-31T17:51:15Z)
• Automatic CT Segmentation from Bounding Box Annotations using Convolutional Neural Networks [2.554905387213585]
  提案手法は,1)k平均クラスタリングによる境界ボックスアノテーションを用いた擬似マスクの生成,2)分割モデルとして3次元U-Net畳み込みニューラルネットワークを反復的に訓練する。 肝臓、脾臓、腎臓のセグメンテーションでは、それぞれ95.19%、92.11%、91.45%の精度を達成した。
  論文  参考訳（メタデータ） (2021-05-29T14:48:16Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• Convolution-Free Medical Image Segmentation using Transformers [8.130670465411239]
  近接する画像パッチ間の自己注意に基づく別の手法が,競争的あるいはよりよい結果が得られることを示す。 提案モデルにより,3つのデータセット上でのCNNの状態よりも優れたセグメンテーション精度が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-26T18:49:13Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。