論文の概要: IterMiUnet: A lightweight architecture for automatic blood vessel
segmentation
- arxiv url: http://arxiv.org/abs/2208.01485v1
- Date: Tue, 2 Aug 2022 14:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:02:11.280212
- Title: IterMiUnet: A lightweight architecture for automatic blood vessel
segmentation
- Title（参考訳）: itermiunet: 血管の自動分割のための軽量アーキテクチャ
- Authors: Ashish Kumar, R.K. Agrawal, Leve Joseph
- Abstract要約: 本稿では,新しい軽量畳み込み型セグメンテーションモデルであるIterMiUnetを提案する。
MiUnetモデルのエンコーダ・デコーダ構造を組み込むことで、その非常にパラメトリズドな性質を克服する。
提案モデルは,多くの疾患の早期診断のためのツールとして活用される可能性が大きい。
- 参考スコア（独自算出の注目度）: 10.538564380139483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automatic segmentation of blood vessels in fundus images can help analyze
the condition of retinal vasculature, which is crucial for identifying various
systemic diseases like hypertension, diabetes, etc. Despite the success of Deep
Learning-based models in this segmentation task, most of them are heavily
parametrized and thus have limited use in practical applications. This paper
proposes IterMiUnet, a new lightweight convolution-based segmentation model
that requires significantly fewer parameters and yet delivers performance
similar to existing models. The model makes use of the excellent segmentation
capabilities of Iternet architecture but overcomes its heavily parametrized
nature by incorporating the encoder-decoder structure of MiUnet model within
it. Thus, the new model reduces parameters without any compromise with the
network's depth, which is necessary to learn abstract hierarchical concepts in
deep models. This lightweight segmentation model speeds up training and
inference time and is potentially helpful in the medical domain where data is
scarce and, therefore, heavily parametrized models tend to overfit. The
proposed model was evaluated on three publicly available datasets: DRIVE,
STARE, and CHASE-DB1. Further cross-training and inter-rater variability
evaluations have also been performed. The proposed model has a lot of potential
to be utilized as a tool for the early diagnosis of many diseases.
- Abstract（参考訳）: 基底画像における血管の自動分画は、高血圧や糖尿病などの様々な全身疾患の特定に不可欠である網膜血管の状態を解析するのに役立ちます。
このセグメンテーションタスクにおけるディープラーニングベースのモデルの成功にもかかわらず、そのほとんどは高度にパラメータ化されており、実用的な応用に限られている。
本稿では,新しい軽量畳み込みに基づくセグメンテーションモデルであるitermiunetを提案する。
このモデルは、Iternetアーキテクチャの優れたセグメンテーション機能を利用するが、MiUnetモデルのエンコーダ・デコーダ構造を組み込むことで、その過度なパラメータ化特性を克服する。
したがって、新しいモデルはネットワークの奥行きと妥協することなくパラメータを削減し、深層モデルで抽象的な階層概念を学ぶ必要がある。
この軽量セグメンテーションモデルはトレーニングと推論の時間を短縮し、データが不足している医療領域において潜在的に有用である。
提案モデルは、DRIVE、STARE、CHASE-DB1の3つの公開データセットで評価された。
さらにクロストレーニングやレート間変動評価も行われている。
提案モデルは,多くの疾患の早期診断のためのツールとして活用される可能性が大きい。
関連論文リスト
- Low-Rank Continual Pyramid Vision Transformer: Incrementally Segment Whole-Body Organs in CT with Light-Weighted Adaptation [10.746776960260297]
軽量低ランク適応 (LoRA) を用いた新しい連続体器官分割モデルを提案する。
まず、最初のタスクでピラミッドビジョントランスフォーマー(PVT)ベースセグメンテーションモデルをトレーニングし、その後、新しい学習タスク毎に凍結モデルに軽量でトレーニング可能なLoRAパラメータを継続的に追加する。
提案モデルでは, 破滅的忘れを伴わず, 低パラメータ増加率を維持しながら, 新しい臓器を連続的に分割する。
論文 参考訳（メタデータ） (2024-10-07T02:00:13Z) - SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Structured Model Pruning for Efficient Inference in Computational Pathology [2.9687381456164004]
バイオメディカルイメージングにおいて広く使われているU-Netスタイルのアーキテクチャを解析する手法を開発した。
我々は,プルーニングが性能を低下させることなく,少なくとも70%圧縮できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-04-12T22:05:01Z) - Latent variable model for high-dimensional point process with structured missingness [4.451479907610764]
縦断データは医療、社会学、地震学など多くの分野で重要である。
実世界のデータセットは高次元であり、構造化された欠陥パターンを含み、測定時間ポイントは未知のプロセスによって管理される。
これらの制限に対処可能な、柔軟で効率的な潜在変数モデルを提案する。
論文 参考訳（メタデータ） (2024-02-08T15:41:48Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - The Importance of Downstream Networks in Digital Pathology Foundation Models [1.689369173057502]
162のアグリゲーションモデル構成を持つ3つの異なるデータセットにまたがる7つの特徴抽出モデルを評価する。
多くの特徴抽出器モデルの性能は顕著に類似していることが判明した。
論文 参考訳（メタデータ） (2023-11-29T16:54:25Z) - Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。
この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。
ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。
自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
論文 参考訳（メタデータ） (2023-09-21T09:06:36Z) - Scaling Pre-trained Language Models to Deeper via Parameter-efficient
Architecture [68.13678918660872]
行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。
MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。
私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
論文 参考訳（メタデータ） (2023-03-27T02:34:09Z) - Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。
我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。
実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文 参考訳（メタデータ） (2022-09-15T15:41:47Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z)
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。