論文の概要: NU-net: An Unpretentious Nested U-net for Breast Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2209.07193v1
- Date: Thu, 15 Sep 2022 10:11:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 12:36:56.206854
- Title: NU-net: An Unpretentious Nested U-net for Breast Tumor Segmentation
- Title(参考訳): NU-net:乳腺腫瘍切除のための非推奨ネストU-net
- Authors: Gong-Ping Chen, Lei Li, Yu Dai, and Jian-Xun Zhang
- Abstract要約: 本稿では, 乳腺腫瘍の正確な分節化を目的とした, 単純かつ強力なネストネット (NU-net) を提案する。
鍵となるアイデアは、乳腺腫瘍のロバストな特徴を達成するために、異なる深さと共有重量を持つU-Netを使用することである。
NU-net は主に,(1) 乳腺腫瘍に対するネットワーク適応性と堅牢性の向上,(2) 再現・実行が容易で,(3) 余剰演算は計算コストを大幅に増大させることなくネットワークパラメータを増大させる。
- 参考スコア(独自算出の注目度): 12.295541504709796
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Breast tumor segmentation is one of the key steps that helps us characterize
and localize tumor regions. However, variable tumor morphology, blurred
boundary, and similar intensity distributions bring challenges for accurate
segmentation of breast tumors. Recently, many U-net variants have been proposed
and widely used for breast tumors segmentation. However, these architectures
suffer from two limitations: (1) Ignoring the characterize ability of the
benchmark networks, and (2) Introducing extra complex operations increases the
difficulty of understanding and reproducing the network. To alleviate these
challenges, this paper proposes a simple yet powerful nested U-net (NU-net) for
accurate segmentation of breast tumors. The key idea is to utilize U-Nets with
different depths and shared weights to achieve robust characterization of
breast tumors. NU-net mainly has the following advantages: (1) Improving
network adaptability and robustness to breast tumors with different scales, (2)
This method is easy to reproduce and execute, and (3) The extra operations
increase network parameters without significantly increasing computational
cost. Extensive experimental results with twelve state-of-the-art segmentation
methods on three public breast ultrasound datasets demonstrate that NU-net has
more competitive segmentation performance on breast tumors. Furthermore, the
robustness of NU-net is further illustrated on the segmentation of renal
ultrasound images. The source code is publicly available on
https://github.com/CGPzy/NU-net.
- Abstract(参考訳): 乳癌の分節化は、腫瘍領域を特徴付けるのに役立つ重要なステップの1つです。
しかし, 腫瘍形態の変化, 境界のぼやけ, および同様の強度分布は, 乳腺腫瘍の正確な分節を困難にしている。
近年,多くのU-net変異体が乳癌セグメンテーションに提案され,広く利用されている。
しかし,これらのアーキテクチャには,(1)ベンチマークネットワークの特徴化能力の無視,(2)余分な複雑な操作の導入はネットワークの理解と再現の難しさを増す,という2つの制限がある。
これらの課題を解決するため,乳腺腫瘍の正確な分節化を目的とした,単純ながら強力なネストネット(NU-net)を提案する。
鍵となるアイデアは、乳腺腫瘍のロバストな特徴を達成するために、異なる深さと共有重量を持つU-Netを使用することである。
nu-net は,(1) スケールの異なる乳腺腫瘍に対するネットワーク適応性とロバスト性の向上,(2) 再現・実行が容易であること,(3) 余剰操作により計算コストを大幅に増加させることなくネットワークパラメータが増加すること,などが主な利点である。
乳腺腫瘍に対するNU-netのセグメンテーション性能は,3つの乳房超音波データセットに対して12種類の最先端セグメンテーション法を用いて検討した。
さらに,腎超音波画像の分割において,nu-netのロバスト性がさらに示される。
ソースコードはhttps://github.com/CGPzy/NU-netで公開されている。
関連論文リスト
- Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2024-03-14T12:05:25Z) - LightBTSeg: A lightweight breast tumor segmentation model using
ultrasound images via dual-path joint knowledge distillation [1.9355072302703609]
乳がんの軽度分節化のための二重パス共同知識蒸留フレームワークLightBTSegを提案する。
我々は、ボトルネックアーキテクチャを活用して、オリジナルの注意U-Netを再構築する。
そして、良性・悪性のカテゴリーの事前知識を用いて、二重経路連成知識蒸留を併用した教師ネットワークを設計する。
論文 参考訳(メタデータ) (2023-11-18T14:25:40Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-13T13:03:09Z) - ESKNet-An enhanced adaptive selection kernel convolution for breast
tumors segmentation [13.897849323634283]
乳がんは、世界の女性の健康を危険にさらす一般的ながんの1つである。
CNNは超音波画像から乳腺腫瘍を分離するために提案されている。
乳腺腫瘍セグメンテーションのための選択的カーネル・コンボリューションを改良した。
論文 参考訳(メタデータ) (2022-11-05T14:15:29Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Feature-enhanced Generation and Multi-modality Fusion based Deep Neural
Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。
今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。
提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文 参考訳(メタデータ) (2021-11-08T10:59:40Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳(メタデータ) (2021-04-05T13:15:22Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳(メタデータ) (2020-09-27T16:42:59Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。