Fugu-MT 論文翻訳(概要): A Study on the Use of Edge TPUs for Eye Fundus Image Segmentation

論文の概要: A Study on the Use of Edge TPUs for Eye Fundus Image Segmentation

arxiv url: http://arxiv.org/abs/2207.12770v1
Date: Tue, 26 Jul 2022 09:35:22 GMT
ステータス: 処理完了
システム内更新日: 2022-07-27 12:37:06.489919
Title: A Study on the Use of Edge TPUs for Eye Fundus Image Segmentation
Title（参考訳）: 眼底画像分割におけるエッジtpusの使用に関する研究
Authors: Javier Civit-Masot, Francisco Luna-Perejon, Jose Maria Rodriguez Corral, Manuel Dominguez-Morales, Arturo Morgado-Estevez, Anton Civit
Abstract要約: シングルボードコンピュータ(SBC)は、メモリと処理の制限のため、ディープネットワークのトレーニングに使用するのが難しい。 GoogleのEdge TPUは、複雑なトレーニング済みネットワークを使用したリアルタイム予測に適合する。
参考スコア（独自算出の注目度）: 0.3262230127283452
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Medical image segmentation can be implemented using Deep Learning methods with fast and efficient segmentation networks. Single-board computers (SBCs) are difficult to use to train deep networks due to their memory and processing limitations. Specific hardware such as Google's Edge TPU makes them suitable for real time predictions using complex pre-trained networks. In this work, we study the performance of two SBCs, with and without hardware acceleration for fundus image segmentation, though the conclusions of this study can be applied to the segmentation by deep neural networks of other types of medical images. To test the benefits of hardware acceleration, we use networks and datasets from a previous published work and generalize them by testing with a dataset with ultrasound thyroid images. We measure prediction times in both SBCs and compare them with a cloud based TPU system. The results show the feasibility of Machine Learning accelerated SBCs for optic disc and cup segmentation obtaining times below 25 milliseconds per image using Edge TPUs.
Abstract（参考訳）: 医用画像セグメンテーションは,高速かつ効率的なセグメンテーションネットワークを用いたDeep Learning手法を用いて実装することができる。シングルボードコンピュータ(SBC)は、メモリと処理の制限のため、ディープネットワークのトレーニングに使用するのは難しい。 GoogleのEdge TPUのような特定のハードウェアは、複雑なトレーニング済みネットワークを使用したリアルタイム予測に適している。本研究では,本研究の結論は,他の種類の医用画像の深層ニューラルネットワークによるセグメンテーションに適用できるが,ベースイメージセグメンテーションのハードウェアアクセラレーションの有無に関わらず,2つのsbcの性能について検討する。ハードウェアアクセラレーションの利点をテストするため,過去の論文から得られたネットワークとデータセットを使用し,超音波甲状腺画像を用いたデータセットを用いてそれらを一般化する。両SBCの予測時間を測定し,クラウドベースのTPUシステムと比較する。その結果,光ディスク用機械学習高速化SBCと,エッジTPUを用いた画像毎25ミリ秒未満のカップセグメンテーションの実現可能性を示した。

関連論文リスト

Energy efficiency in Edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification [0.9728436272434581]
眼底画像に基づく緑内障の診断を例として, 組込み基板上でリアルタイムでセグメンテーションと分類を行う可能性を示す。組み込みアクセラレーションシステム(EAS)のメモリ制限と低処理能力は、ディープネットワークベースのシステムトレーニングでの使用を制限する。機械学習(ML)アクセラレーターを搭載した2つのEASの時間とエネルギー特性を評価し,前報で開発した例診断ツールを実行する。
論文参考訳（メタデータ） (2023-11-20T09:38:56Z)
HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文参考訳（メタデータ） (2022-09-01T21:10:00Z)
Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-08-05T09:31:46Z)
Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
論文参考訳（メタデータ） (2021-07-12T14:54:04Z)
HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文参考訳（メタデータ） (2021-06-13T18:55:23Z)
Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文参考訳（メタデータ） (2020-08-06T15:02:38Z)
Image Segmentation Using Hybrid Representations [2.414172101538764]
医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-04-15T13:07:35Z)
Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文参考訳（メタデータ） (2020-03-31T11:50:43Z)
CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2020-03-24T04:55:43Z)
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)
BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。