論文の概要: U-Net-based Models for Skin Lesion Segmentation: More Attention and
Augmentation
- arxiv url: http://arxiv.org/abs/2210.16399v1
- Date: Fri, 28 Oct 2022 20:39:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:32:46.350142
- Title: U-Net-based Models for Skin Lesion Segmentation: More Attention and
Augmentation
- Title(参考訳): 皮膚病変分割のためのU-Netベースモデル:より注意と拡張
- Authors: Pooya Mohammadi Kazaj, MohammadHossein Koosheshi, Ali Shahedi, Alireza
Vafaei Sadr
- Abstract要約: この作業では、10のモデルと4つの拡張構成がISIC 2016データセットでトレーニングされている。
その結果,U-Net-Resnet50とR2U-Netは2つのデータ拡張シナリオとともに,最も高い測定値を持つことがわかった。
実験により、注意モジュールを利用したモデルは、一般的な皮膚病変のセグメンテーション問題を克服することに成功した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: According to WHO[1], since the 1970s, diagnosis of melanoma skin cancer has
been more frequent. However, if detected early, the 5-year survival rate for
melanoma can increase to 99 percent. In this regard, skin lesion segmentation
can be pivotal in monitoring and treatment planning. In this work, ten models
and four augmentation configurations are trained on the ISIC 2016 dataset. The
performance and overfitting are compared utilizing five metrics. Our results
show that the U-Net-Resnet50 and the R2U-Net have the highest metrics value,
along with two data augmentation scenarios. We also investigate CBAM and AG
blocks in the U-Net architecture, which enhances segmentation performance at a
meager computational cost. In addition, we propose using pyramid, AG, and CBAM
blocks in a sequence, which significantly surpasses the results of using the
two individually. Finally, our experiments show that models that have exploited
attention modules successfully overcome common skin lesion segmentation
problems. Lastly, in the spirit of reproducible research, we implement models
and codes publicly available.
- Abstract(参考訳): WHO[1]によると、1970年代からメラノーマ皮膚癌の診断が頻繁に行われている。
しかし、早期に検出された場合、メラノーマの生存率は99%に増加する。
この点において、皮膚病変のセグメンテーションは、モニタリングと治療計画において重要である。
この作業では、10のモデルと4つの拡張構成がISIC 2016データセットでトレーニングされている。
パフォーマンスとオーバーフィッティングは5つのメトリクスを使って比較されます。
以上の結果から,U-Net-Resnet50とR2U-Netは2つのデータ拡張シナリオとともに,最も高い測定値を持つことがわかった。
また,U-NetアーキテクチャにおけるCBAMおよびAGブロックについても検討し,単純な計算コストでセグメンテーション性能を向上させる。
さらに, ピラミッドブロック, agブロック, cbamブロックを連続的に使用することで, 個別に使用した結果を大幅に超えることを提案する。
最後に,注意モジュールを活用したモデルが一般的な皮膚病変分節問題を克服することに成功したことを示す。
最後に、再現可能な研究の精神で、公開可能なモデルとコードを実装します。
関連論文リスト
- Re-DiffiNet: Modeling discrepancies loss in tumor segmentation using
diffusion models [1.8770164030186538]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。
その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文 参考訳(メタデータ) (2024-02-12T01:03:39Z) - Semi-Supervised Segmentation of Multi-vendor and Multi-center Cardiac
MRI using Histogram Matching [0.0]
本研究では, 左室, 右室, 心筋のセグメンテーションにラベルのないデータを活用する半教師付きセグメンテーション・セットアップを提案する。
ダイス損失を用いたクラス不均衡データ問題に対処し、教師付きモデルによりより良いダイススコアを得ることができる。
左室,右室,心筋の平均サイコロスコアは0.921,0.926,0.891である。
論文 参考訳(メタデータ) (2023-02-22T08:23:19Z) - CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。
提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
論文 参考訳(メタデータ) (2023-01-02T18:07:44Z) - MAPPING: Model Average with Post-processing for Stroke Lesion
Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。
本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文 参考訳(メタデータ) (2022-11-11T14:17:04Z) - MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion
Segmentation [13.456935850832565]
そこで本研究では,皮膚病変のセグメンテーションにおいて,パラメータと計算複雑性の最小コストで競合性能を実現する軽量モデルを提案する。
我々は、4つのモジュールをU字型アーキテクチャと組み合わせ、MALUNetと呼ばれる軽量な医用画像分割モデルを得る。
UNetと比較して、我々のモデルはmIoUとDSCのメトリクスをそれぞれ2.39%、1.49%改善し、パラメータ数と計算複雑性の44倍と166倍削減した。
論文 参考訳(メタデータ) (2022-11-03T13:19:22Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳(メタデータ) (2022-10-19T15:15:32Z) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳(メタデータ) (2022-06-24T08:16:01Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and
Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。
提案手法は皮膚病変分節の精度を向上させるのに役立つ。
以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文 参考訳(メタデータ) (2020-12-28T14:43:04Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳(メタデータ) (2020-08-19T06:02:46Z) - KiU-Net: Towards Accurate Segmentation of Biomedical Images using
Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。
このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。
早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文 参考訳(メタデータ) (2020-06-08T18:59:24Z)
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。