論文の概要: Two-Stream UNET Networks for Semantic Segmentation in Medical Images
- arxiv url: http://arxiv.org/abs/2207.13337v1
- Date: Wed, 27 Jul 2022 07:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 13:27:42.603040
- Title: Two-Stream UNET Networks for Semantic Segmentation in Medical Images
- Title（参考訳）: 医用画像のセマンティックセグメンテーションのための2ストリームUNETネットワーク
- Authors: Xin Chen, Ke Ding
- Abstract要約: 本稿では,医療画像の自動分割のための新しい2ストリームUNETアーキテクチャを提案する。
より低レベルの特徴を持つ2ストリームCNNは、不完全な医用画像データセットのセマンティックセグメンテーションに大いに有用であることを示す。
- 参考スコア（独自算出の注目度）: 4.1462578830708345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances of semantic image segmentation greatly benefit from deeper
and larger Convolutional Neural Network (CNN) models. Compared to image
segmentation in the wild, properties of both medical images themselves and of
existing medical datasets hinder training deeper and larger models because of
overfitting. To this end, we propose a novel two-stream UNET architecture for
automatic end-to-end medical image segmentation, in which intensity value and
gradient vector flow (GVF) are two inputs for each stream, respectively. We
demonstrate that two-stream CNNs with more low-level features greatly benefit
semantic segmentation for imperfect medical image datasets. Our proposed
two-stream networks are trained and evaluated on the popular medical image
segmentation benchmarks, and the results are competitive with the state of the
art. The code will be released soon.
- Abstract（参考訳）: セマンティックイメージセグメンテーションの最近の進歩は、より深く大きな畳み込みニューラルネットワーク(CNN)モデルの恩恵を受けている。
野生のイメージセグメンテーションと比較すると、医用画像自体の特性と既存の医療データセットの両方が、過度に適合しているため、より深く大きなモデルの訓練を妨げる。
そこで本研究では,各ストリームに対して,強度値と勾配ベクトルフロー(GVF)をそれぞれ2入力とする,医療画像の自動分割のための新しい2ストリームUNETアーキテクチャを提案する。
より低レベルの特徴を持つ2ストリームCNNは、不完全な医用画像データセットのセマンティックセグメンテーションに大いに有用であることを示す。
提案する2ストリームネットワークは,一般的な医用画像セグメンテーションベンチマークを用いてトレーニング,評価を行い,その結果は最先端技術と競合する。
コードはまもなくリリースされる。
関連論文リスト
- TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。
医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。
我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
論文 参考訳（メタデータ） (2024-10-01T18:22:34Z) - I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。
トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
論文 参考訳（メタデータ） (2023-11-28T00:43:52Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - 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) - MedSegDiff-V2: Diffusion based Medical Image Segmentation with
Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。
画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文 参考訳（メタデータ） (2023-01-19T03:42:36Z) - 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) - Recurrent Mask Refinement for Few-Shot Medical Image Segmentation [15.775057485500348]
本稿では,プロトタイプネットワークに基づく数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。
1) 前景と背景領域間の局所的関係の特徴を関連付けるために相関を利用するコンテキスト関係エンコーダ(CRE)である。
2つの腹部CTデータセットと腹部MRIデータセットを用いた実験により、提案手法は最先端の方法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2021-08-02T04:06:12Z) - Learning With Context Feedback Loop for Robust Medical Image
Segmentation [1.881091632124107]
2つのシステムを用いた医用画像セグメンテーションのための完全自動深層学習法を提案する。
1つ目は、入力画像からセグメンテーション結果を予測するエンコーダデコーダcnnのフォワードシステムである。
フォワードシステムの予測確率出力は、完全な畳み込みネットワーク(FCN)ベースのコンテキストフィードバックシステムによって符号化される。
論文 参考訳（メタデータ） (2021-03-04T05:44:59Z) - 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) - 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)
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。