Fugu-MT 論文翻訳(概要): Rethinking the transfer learning for FCN based polyp segmentation in colonoscopy

論文の概要: Rethinking the transfer learning for FCN based polyp segmentation in colonoscopy

arxiv url: http://arxiv.org/abs/2211.02416v1
Date: Fri, 4 Nov 2022 12:42:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 16:52:32.527748
Title: Rethinking the transfer learning for FCN based polyp segmentation in colonoscopy
Title（参考訳）: 大腸内視鏡におけるFCN系ポリプセグメンテーションの転写学習の再考
Authors: Yan Wen, Lei Zhang, Xiangli Meng and Xujiong Ye
Abstract要約: 本稿では,FCNタスクとCNNタスクを結合した,シンプルで効果的なポリプセグメンテーションパイプラインを提案する。これは、EndoSceneStillとKvasir-SEGデータセットの最先端メソッドと比較して、4.34%と5.70%のPolyp-IoU改善を実現している。
参考スコア（独自算出の注目度）: 7.786297008452384
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Besides the complex nature of colonoscopy frames with intrinsic frame formation artefacts such as light reflections and the diversity of polyp types/shapes, the publicly available polyp segmentation training datasets are limited, small and imbalanced. In this case, the automated polyp segmentation using a deep neural network remains an open challenge due to the overfitting of training on small datasets. We proposed a simple yet effective polyp segmentation pipeline that couples the segmentation (FCN) and classification (CNN) tasks. We find the effectiveness of interactive weight transfer between dense and coarse vision tasks that mitigates the overfitting in learning. And It motivates us to design a new training scheme within our segmentation pipeline. Our method is evaluated on CVC-EndoSceneStill and Kvasir-SEG datasets. It achieves 4.34% and 5.70% Polyp-IoU improvements compared to the state-of-the-art methods on the EndoSceneStill and Kvasir-SEG datasets, respectively.
Abstract（参考訳）: 光反射のような内在的なフレーム形成アーチファクトを持つ大腸内視鏡フレームの複雑な性質とポリプタイプ/サップの多様性に加えて、一般に利用可能なポリプセグメンテーショントレーニングデータセットは制限され、小さく、不均衡である。この場合、深層ニューラルネットワークを用いた自動ポリプセグメンテーションは、小さなデータセットでのトレーニングが過剰なため、未解決の課題である。我々は,セグメンテーション (fcn) と分類 (cnn) を結合する簡易かつ効果的なポリプセグメンテーションパイプラインを提案する。学習の過剰さを緩和する濃密な視覚タスクと粗い視覚タスク間の相互作用的重み伝達の効果を見出した。そして、セグメンテーションパイプライン内で新しいトレーニングスキームを設計する動機になります。本手法は,CVC-EndoSceneStillおよびKvasir-SEGデータセットを用いて評価する。 4.34%と5.70%のポリp-iou改善を達成し, エンドセンシング法とkvasir-seg法をそれぞれ比較した。

関連論文リスト

ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
論文参考訳（メタデータ） (2024-06-30T14:55:32Z)
CRIS: Collaborative Refinement Integrated with Segmentation for Polyp Segmentation [0.0]
本稿では,マスクの改良とセマンティックセマンティックセグメンテーションを融合したアプローチを提案する。確立したベンチマークデータセットを総合評価することで,提案手法の優位性を実証する。
論文参考訳（メタデータ） (2024-05-30T03:56:01Z)
Multi-scale Information Sharing and Selection Network with Boundary Attention for Polyp Segmentation [10.152504573356413]
本稿では,多目的セグメンテーションタスクのためのマルチスケール情報共有選択ネットワーク(MISNet)を提案する。 5つのpolypセグメンテーションデータセットの実験により、MISNetはセグメンテーション結果の精度と明確性を改善した。
論文参考訳（メタデータ） (2024-05-18T02:48:39Z)
ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。微調整段階におけるIoU誘導サンプル再重み付けの導入
論文参考訳（メタデータ） (2024-01-10T07:03:41Z)
A Survey on Deep Learning for Polyp Segmentation: Techniques, Challenges and Future Trends [41.267545810720044]
大腸癌予防・治療におけるポリープの早期検出と評価昔は、色、テクスチャ、形などの手作業で抽出した下品な特徴に頼っていた。ディープラーニングの出現に伴い、より優れた医療画像分割アルゴリズムが出現している。
論文参考訳（メタデータ） (2023-11-30T09:14:37Z)
RetSeg: Retention-based Colorectal Polyps Segmentation Network [0.0]
ビジョントランスフォーマー(ViT)は医療画像解析に革命をもたらした。 ViTは、視覚データ処理においてコンテキスト認識を示し、堅牢で正確な予測を行う。本稿では,マルチヘッド保持ブロックを備えたエンコーダデコーダネットワークRetSegを紹介する。
論文参考訳（メタデータ） (2023-10-09T06:43:38Z)
Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
論文参考訳（メタデータ） (2023-01-12T09:53:57Z)
Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。 LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。 GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
論文参考訳（メタデータ） (2023-01-12T04:06:44Z)
TGANet: Text-guided attention for improved polyp segmentation [2.3293678240472517]
大腸内視鏡は金標準法であるが,操作性が高い。前駆体である自動ポリープセグメンテーションは早期の大腸癌の再発率とタイムリーな治療を最小化することができる。トレーニング中にテキストアテンションの形でサイズとポリプ数に関連する特徴を活用できる。提案するテキスト誘導型アテンションネットワーク(TGANet)は,異なるデータセットにおける可変サイズポリープによく対応できる。
論文参考訳（メタデータ） (2022-05-09T13:53:26Z)
Ada-Segment: Automated Multi-loss Adaptation for Panoptic Segmentation [95.31590177308482]
我々は,トレーニング期間中に複数のトレーニング損失を柔軟に調整する自動マルチロス適応(ada-segment)を提案する。エンドツーエンドアーキテクチャにより、ada-segmentはハイパーパラメータを再チューニングすることなく、異なるデータセットに一般化する。 Ada-Segmentは、バニラベースラインからCOCOval分割に2.7%のパノラマ品質(PQ)改善をもたらし、COCOテストデブ分割に最新の48.5%PQ、ADE20Kデータセットに32.9%PQを達成しました。
論文参考訳（メタデータ） (2020-12-07T11:43:10Z)
PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。