論文の概要: Extending nnU-Net is all you need
- arxiv url: http://arxiv.org/abs/2208.10791v1
- Date: Tue, 23 Aug 2022 07:54:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:50:13.308983
- Title: Extending nnU-Net is all you need
- Title（参考訳）: nnU-Netの拡張は必要なだけ
- Authors: Fabian Isensee, Constantin Ulrich, Tassilo Wald, Klaus H. Maier-Hein
- Abstract要約: 私たちはAMOS2022チャレンジに参加するためにnnU-Netを使用します。
このデータセットはこれまでに作成された中で最大規模の15のターゲット構造を持つ。
最終アンサンブルは,タスク1(CT)のDiceスコア90.13とタスク2(CT+MRI)の89.06を5倍のクロスバリデーションで達成した。
- 参考スコア（独自算出の注目度）: 2.1729722043371016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation is one of the most popular research areas in medical
image computing. Perhaps surprisingly, despite its conceptualization dating
back to 2018, nnU-Net continues to provide competitive out-of-the-box solutions
for a broad variety of segmentation problems and is regularly used as a
development framework for challenge-winning algorithms. Here we use nnU-Net to
participate in the AMOS2022 challenge, which comes with a unique set of tasks:
not only is the dataset one of the largest ever created and boasts 15 target
structures, but the competition also requires submitted solutions to handle
both MRI and CT scans. Through careful modification of nnU-net's
hyperparameters, the addition of residual connections in the encoder and the
design of a custom postprocessing strategy, we were able to substantially
improve upon the nnU-Net baseline. Our final ensemble achieves Dice scores of
90.13 for Task 1 (CT) and 89.06 for Task 2 (CT+MRI) in a 5-fold
cross-validation on the provided training cases.
- Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、医療画像コンピューティングにおいて最も人気のある研究分野の一つである。
おそらく、2018年にさかのぼる概念化にもかかわらず、nnU-Netは幅広いセグメンテーション問題に対して競争力のあるアウト・オブ・ザ・ボックスソリューションを提供し続けている。
ここでは、AMOS2022チャレンジに参加するためにnnU-Netを使用します。これは、これまで作成され、15のターゲット構造を持つデータセットであるだけでなく、MRIとCTの両方を処理するために提出されたソリューションも必要です。
nnU-netのハイパーパラメータの注意深く修正,エンコーダの残差接続の追加,カスタム後処理方式の設計などにより,nnU-Netのベースラインを大幅に改善することができた。
最終アンサンブルでは第1タスク1(CT)では90.13点,第2タスク2(CT+MRI)では89.06点のスコアが得られた。
関連論文リスト
- Scaling nnU-Net for CBCT Segmentation [0.9854844969061186]
本稿では, Cone Beam Computed Tomography (CBCT) 画像上でのマルチ構造分割のための nnU-Net フレームワークのスケールアップについて述べる。
我々は nnU-Net ResEnc L モデルを活用し, パッチサイズ, ネットワークトポロジ, データ拡張戦略の鍵となる修正を加え, 歯科用CBCT イメージングの課題に対処した。
テストセットでは, 平均Dice係数が0.9253, HD95が18.472であり, 平均ランクが4.6であり, TothFairy2チャレンジでは第1位であった。
論文 参考訳（メタデータ） (2024-11-26T08:29:24Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳（メタデータ） (2024-01-01T10:49:09Z) - The Second-place Solution for CVPR VISION 23 Challenge Track 1 -- Data
Effificient Defect Detection [3.4853769431047907]
データ有効欠陥検出のためのビジョンチャレンジトラック1は、競合相手がデータ不足の環境で14の産業検査データセットを例示する必要がある。
この課題に対して、Aoi-overfiting-Teamチームの技術詳細を紹介します。
論文 参考訳（メタデータ） (2023-06-25T03:37:02Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。
我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
論文 参考訳（メタデータ） (2021-10-07T11:44:09Z) - OMPQ: Orthogonal Mixed Precision Quantization [64.59700856607017]
混合精度量子化は、ハードウェアの多重ビット幅演算を利用して、ネットワーク量子化の全ポテンシャルを解き放つ。
本稿では、整数プログラミングの損失と高い相関関係にあるネットワーク性の概念であるプロキシメトリックを最適化することを提案する。
このアプローチは、量子化精度にほとんど妥協することなく、検索時間と必要なデータ量を桁違いに削減する。
論文 参考訳（メタデータ） (2021-09-16T10:59:33Z) - DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。
Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。
3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。
私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
論文 参考訳（メタデータ） (2021-07-01T08:15:00Z) - Large-scale Unsupervised Semantic Segmentation [163.3568726730319]
本稿では, 大規模無教師付きセマンティックセマンティックセグメンテーション (LUSS) の新たな課題を提案する。
ImageNetデータセットに基づいて、120万のトレーニング画像と40万の高品質なセマンティックセグメンテーションアノテーションを用いた画像Net-Sデータセットを提案する。
論文 参考訳（メタデータ） (2021-06-06T15:02:11Z) - 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) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳（メタデータ） (2020-11-20T04:56:39Z) - DoubleU-Net: A Deep Convolutional Neural Network for Medical Image
Segmentation [1.6416058750198184]
DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。
4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
論文 参考訳（メタデータ） (2020-06-08T18:38:24Z)
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。