論文の概要: ConnectedUNets++: Mass Segmentation from Whole Mammographic Images
- arxiv url: http://arxiv.org/abs/2210.13668v1
- Date: Tue, 25 Oct 2022 00:04:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 14:23:30.668869
- Title: ConnectedUNets++: Mass Segmentation from Whole Mammographic Images
- Title(参考訳): connectedunets++:全マンモグラフィ画像からのマスセグメンテーション
- Authors: Prithul Sarker, Sushmita Sarker, George Bebis and Alireza Tavakkoli
- Abstract要約: ConnectedUNets+とConnectedUNets++の2つの拡張バージョンを提示する。
ConnectedUNets+では、Connected-UNetsアーキテクチャの単純なスキップ接続を残留スキップ接続に置き換えましたが、ConnectedUNets++では、残留スキップ接続を使用しながらエンコーダ・デコーダ構造を変更しました。
- 参考スコア(独自算出の注目度): 0.6349503549199401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has made a breakthrough in medical image segmentation in recent
years due to its ability to extract high-level features without the need for
prior knowledge. In this context, U-Net is one of the most advanced medical
image segmentation models, with promising results in mammography. Despite its
excellent overall performance in segmenting multimodal medical images, the
traditional U-Net structure appears to be inadequate in various ways. There are
certain U-Net design modifications, such as MultiResUNet, Connected-UNets, and
AU-Net, that have improved overall performance in areas where the conventional
U-Net architecture appears to be deficient. Following the success of UNet and
its variants, we have presented two enhanced versions of the Connected-UNets
architecture: ConnectedUNets+ and ConnectedUNets++. In ConnectedUNets+, we have
replaced the simple skip connections of Connected-UNets architecture with
residual skip connections, while in ConnectedUNets++, we have modified the
encoder-decoder structure along with employing residual skip connections. We
have evaluated our proposed architectures on two publicly available datasets,
the Curated Breast Imaging Subset of Digital Database for Screening Mammography
(CBIS-DDSM) and INbreast.
- Abstract(参考訳): 近年、深層学習は、事前知識を必要とせずに高度な特徴を抽出する能力によって、医療画像のセグメンテーションにおいて画期的な進歩を遂げている。
この文脈では、U-Netは最も先進的な医療画像セグメンテーションモデルの一つであり、マンモグラフィーにおいて有望な結果をもたらす。
マルチモーダル医療画像のセグメンテーションにおける全体的な性能は優れているが、従来のU-Net構造は様々な点で不十分である。
また、MultiResUNet、Connected-UNets、AU-NetといったU-Netの設計変更があり、従来のU-Netアーキテクチャが不足しているように見える領域での全体的な性能を改善している。
UNetとその変種の成功に続いて、Connected-UNetsアーキテクチャの2つの拡張バージョン、ConnectedUNets+とConnectedUNets++を提示した。
connectedunets+ では、connected-unets アーキテクチャの単純なスキップ接続を残ったスキップ接続に置き換え、connectedunets++ ではエンコーダ-デコーダ構造を変更し、残りのスキップ接続を採用した。
提案したアーキテクチャを,CBIS-DDSM(Curated Breast Imaging Subset of Digital Database for Screening Mammography)とInbreastの2つの公開データセットで評価した。
関連論文リスト
- Narrowing the semantic gaps in U-Net with learnable skip connections:
The case of medical image segmentation [12.812992773512871]
U-Netにおける3つのセグメンテーションギャップを解決するためにUDTransNetという新しいセグメンテーションフレームワークを提案する。
具体的には、チャネル関係と空間関係を捕捉するデュアルアテンショントランスフォーマー(DAT)モジュールと、DATトークンとデコーダ機能を効果的に接続するデコーダ誘導リカバリアアテンション(DRA)モジュールを提案する。
我々のUDTransNetは、異なる公開データセット上の最先端セグメンテーション手法よりも比較的少ないパラメータで、より高い評価スコアとより細かいセグメンテーション結果を生成する。
論文 参考訳(メタデータ) (2023-12-23T07:39:42Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2022-06-02T07:38:53Z) - Towards Bi-directional Skip Connections in Encoder-Decoder Architectures
and Beyond [95.46272735589648]
本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。
我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。
本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
論文 参考訳(メタデータ) (2022-03-11T01:38:52Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳(メタデータ) (2021-04-02T02:07:37Z) - TransUNet: Transformers Make Strong Encoders for Medical Image
Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。
様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。
医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文 参考訳(メタデータ) (2021-02-08T16:10:50Z) - Selective Information Passing for MR/CT Image Segmentation [9.898316422853528]
選択的情報伝達ネットワーク(SIP-Net)という自己制御機能を持つ新しい3Dネットワークを提案する。
我々は,MICCAI MR Image 2012 Grant Challengeデータセット, TCIA Pancreas CT-82, MICCAI 2017 Prostate Liver tumor (LiTS) Challengeデータセットについて検討した。
論文 参考訳(メタデータ) (2020-10-10T06:47:53Z) - KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image
and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。
本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。
提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文 参考訳(メタデータ) (2020-10-04T19:23:33Z) - BiO-Net: Learning Recurrent Bi-directional Connections for
Encoder-Decoder Architecture [82.64881585566825]
本稿では,新たな双方向O字型ネットワーク(BiO-Net)を提案する。
提案手法は,バニラU-Netおよび他の最先端手法よりも優れる。
論文 参考訳(メタデータ) (2020-07-01T05:07:49Z) - 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) - DC-UNet: Rethinking the U-Net Architecture with Dual Channel Efficient
CNN for Medical Images Segmentation [0.0]
我々は、このCNNに基づいて、新しい効果的なCNNアーキテクチャを作成し、DC-UNetを構築した。
厳密なケースを持つ3つのデータセットでモデルを評価した結果、それぞれ2.90%、1.49%、1.42%のパフォーマンスが相対的に向上した。
論文 参考訳(メタデータ) (2020-05-31T02:23:55Z) - Multi-level Context Gating of Embedded Collective Knowledge for Medical
Image Segmentation [32.96604621259756]
医用画像分割のためのU-Netの拡張を提案する。
U-Net, Squeeze and Excitation (SE) block, bi-directional ConvLSTM (BConvLSTM), and the mechanism of dense convolutions。
提案モデルは6つのデータセットで評価される。
論文 参考訳(メタデータ) (2020-03-10T12:29:59Z)
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。