Fugu-MT 論文翻訳(概要): MKIS-Net: A Light-Weight Multi-Kernel Network for Medical Image Segmentation

論文の概要: MKIS-Net: A Light-Weight Multi-Kernel Network for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2210.08168v1
Date: Sat, 15 Oct 2022 02:46:28 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 17:59:50.825176
Title: MKIS-Net: A Light-Weight Multi-Kernel Network for Medical Image Segmentation
Title（参考訳）: MKIS-Net:医療画像分割のための軽量マルチカーネルネットワーク
Authors: Tariq M. Khan, Muhammad Arsalan, Antonio Robles-Kelly, Erik Meijering
Abstract要約: マルチカーネル画像分割網(MKIS-Net)を提案する。 MKIS-Netは、少数のトレーニング可能なパラメータを持つ軽量アーキテクチャである。網膜血管のセグメンテーション,皮膚病変のセグメンテーション,胸部X線セグメンテーションなどにおけるMKIS-Netの有効性について検討した。
参考スコア（独自算出の注目度）: 7.587725015524997
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image segmentation is an important task in medical imaging. It constitutes the backbone of a wide variety of clinical diagnostic methods, treatments, and computer-aided surgeries. In this paper, we propose a multi-kernel image segmentation net (MKIS-Net), which uses multiple kernels to create an efficient receptive field and enhance segmentation performance. As a result of its multi-kernel design, MKIS-Net is a light-weight architecture with a small number of trainable parameters. Moreover, these multi-kernel receptive fields also contribute to better segmentation results. We demonstrate the efficacy of MKIS-Net on several tasks including segmentation of retinal vessels, skin lesion segmentation, and chest X-ray segmentation. The performance of the proposed network is quite competitive, and often superior, in comparison to state-of-the-art methods. Moreover, in some cases MKIS-Net has more than an order of magnitude fewer trainable parameters than existing medical image segmentation alternatives and is at least four times smaller than other light-weight architectures.
Abstract（参考訳）: 画像分割は医療画像における重要な課題である。これは、様々な臨床診断方法、治療、コンピュータ支援手術のバックボーンを構成する。本稿では,マルチカーネルイメージセグメンテーションネット(mkis-net,multi-kernel image segmentation net)を提案する。マルチカーネル設計の結果、MKIS-Netは少数のトレーニング可能なパラメータを持つ軽量アーキテクチャである。さらに、これらのマルチカーネル受容場は、より良いセグメンテーション結果にも寄与する。網膜血管のセグメンテーション,皮膚病変のセグメンテーション,胸部X線セグメンテーションなどにおけるMKIS-Netの有効性を示す。提案されたネットワークの性能は最先端の手法と比較して非常に競争力があり、しばしば優れている。さらに、MKIS-Netは既存の医用画像セグメンテーションの代替品よりも訓練可能なパラメータが桁違いに少なく、他の軽量アーキテクチャの少なくとも4倍小さい場合もあります。

関連論文リスト

Advancing Medical Image Segmentation with Mini-Net: A Lightweight Solution Tailored for Efficient Segmentation of Medical Images [18.48562660373185]
Mini-Netは医療画像用に設計された軽量セグメンテーションネットワークである。パラメータが38,000未満のMini-Netは、高周波数と低周波数の両方を効率的にキャプチャする。 DRIVE, STARE, ISIC-2016, ISIC-2018, MoNuSegなど,様々なデータセット上でMini-Netを評価する。
論文参考訳（メタデータ） (2024-05-27T11:41:48Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
A hybrid approach for improving U-Net variants in medical image segmentation [0.0]
医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
論文参考訳（メタデータ） (2023-07-31T07:43:45Z)
LDMRes-Net: Enabling Efficient Medical Image Segmentation on IoT and Edge Platforms [9.626726110488386]
本稿では,IoTおよびエッジプラットフォーム上での医用画像のセグメンテーションに適した,軽量なデュアルマルチスケール残差ブロック型ニューラルネットワークを提案する。 LDMRes-Netは、非常に少ない学習可能なパラメータ(0.072M)で制限を克服し、リソース制約のあるデバイスに非常に適している。
論文参考訳（メタデータ） (2023-06-09T10:34:18Z)
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)
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)
DCSAU-Net: A Deeper and More Compact Split-Attention U-Net for Medical Image Segmentation [1.1315617886931961]
マルチスケールの分割アテンションと深みの深い畳み込みを用いて有用な特徴を抽出する新しい分割アテンション型u-shapeネットワーク(DCSAU-Net)を提案する。その結果、DCSAU-Netは、平均的なUnion(mIoU)とF1-socre(F1-socre)の観点から、他の最先端(SOTA)手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2022-02-02T11:36:15Z)
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)
w-Net: Dual Supervised Medical Image Segmentation Model with Multi-Dimensional Attention and Cascade Multi-Scale Convolution [47.56835064059436]
医療画像中の小物体の正確なセグメンテーションを予測するために, カスケード型マルチスケール畳み込みを用いた多次元アテンションセグメンテーションモデルを提案する。提案手法は, KiTS19, Decathlon-10 の Pancreas CT, MICCAI 2018 LiTS Challenge の3つのデータセットを用いて評価した。
論文参考訳（メタデータ） (2020-11-15T13:54:22Z)
Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
論文参考訳（メタデータ） (2020-06-27T08:24:46Z)

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。