論文の概要: RUPNet: Residual upsampling network for real-time polyp segmentation
- arxiv url: http://arxiv.org/abs/2301.02703v1
- Date: Fri, 6 Jan 2023 20:21:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 16:51:20.836552
- Title: RUPNet: Residual upsampling network for real-time polyp segmentation
- Title（参考訳）: rupnet:リアルタイムポリプセグメンテーションのための残差アップサンプリングネットワーク
- Authors: Nikhil Kumar Tomar, Ulas Bagci, Debesh Jha
- Abstract要約: 大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。
画像サイズは512×512$で、提案手法は毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
- 参考スコア（独自算出の注目度）: 2.6179759969345002
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colorectal cancer is among the most prevalent cause of cancer-related
mortality worldwide. Detection and removal of polyps at an early stage can help
reduce mortality and even help in spreading over adjacent organs. Early polyp
detection could save the lives of millions of patients over the world as well
as reduce the clinical burden. However, the detection polyp rate varies
significantly among endoscopists. There is numerous deep learning-based method
proposed, however, most of the studies improve accuracy. Here, we propose a
novel architecture, Residual Upsampling Network (RUPNet) for colon polyp
segmentation that can process in real-time and show high recall and precision.
The proposed architecture, RUPNet, is an encoder-decoder network that consists
of three encoders, three decoder blocks, and some additional upsampling blocks
at the end of the network. With an image size of $512 \times 512$, the proposed
method achieves an excellent real-time operation speed of 152.60 frames per
second with an average dice coefficient of 0.7658, mean intersection of union
of 0.6553, sensitivity of 0.8049, precision of 0.7995, and F2-score of 0.9361.
The results suggest that RUPNet can give real-time feedback while retaining
high accuracy indicating a good benchmark for early polyp detection.
- Abstract（参考訳）: 大腸癌は世界中でがん関連死亡の最も多い原因の一つである。
早期にポリプの検出と除去は死亡率の低下に寄与し、隣接する臓器の拡散にも寄与する。
早期のポリープ検出は世界中の何百万人もの患者を救い、臨床的な負担を軽減できる。
しかし,検出ポリープ率は内科医によって大きく異なる。
深層学習に基づく手法が多数提案されているが,ほとんどの研究で精度が向上している。
本稿では,大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。
提案アーキテクチャであるRUPNetは、3つのエンコーダ、3つのデコーダブロックと、ネットワークの終端にある追加のアップサンプリングブロックで構成されるエンコーダ・デコーダネットワークである。
画像サイズは512 \times 512$で,平均ダイス係数0.7658,和算平均交点0.6553,感度0.8049,精度0.7995,F2スコア0.9361で,毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
その結果, RUPNetは早期ポリプ検出のための優れたベンチマークを示す高い精度を維持しつつ, リアルタイムフィードバックを得られることが示唆された。
関連論文リスト
- TransRUPNet for Improved Polyp Segmentation [1.2498887792836635]
本研究では,トランスフォーマーをベースとしたResidual Upsampling Network (TransRUPNet) を開発した。
画像サイズが256times256$の場合、提案手法は、毎秒47.07フレームの優れたリアルタイム動作速度を実現する。
論文 参考訳（メタデータ） (2023-06-03T19:06:06Z) - DilatedSegNet: A Deep Dilated Segmentation Network for Polyp
Segmentation [2.6179759969345002]
大腸癌は世界で2番目に多い死因である。
ディープラーニングを利用したコンピュータ支援診断システム(CAD)は、大腸内視鏡検査中に医師が見落としている大腸の領域を検出することができる。
高い精度とリアルタイム速度の欠如は、そのようなシステムの臨床的統合を成功させるために克服すべき重要な障害である。
論文 参考訳（メタデータ） (2022-10-24T20:36:30Z) - 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) - A Generic Deep Learning Based Cough Analysis System from Clinically
Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。
提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。
DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文 参考訳（メタデータ） (2021-11-10T19:39:26Z) - Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。
ポリープの早期検出と切除は生存率を90%に大きく向上させる。
大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文 参考訳（メタデータ） (2021-10-17T09:31:20Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Hessian-Aware Pruning and Optimal Neural Implant [74.3282611517773]
プルーニングは、ニューラルネットワークモデルに関連するメモリフットプリントとフラップを減らす効果的な方法である。
構造的プルーニングの指標として2次感度を用いたニューラルインプラントアプローチと組み合わされた新しいヘッセン認識プルーニング法を提案する。
論文 参考訳（メタデータ） (2021-01-22T04:08:03Z) - Automatic Polyp Segmentation using U-Net-ResNet50 [1.4174475093445236]
ポリープは大腸癌の前身であり、世界中のがん関連死亡の原因の1つと考えられている。
大腸内視鏡検査では, 形状, サイズ, 周囲の組織類似性の変動により, 大腸ポリープが欠落することが多い。
大腸内視鏡検査において, 自動的, 正確かつ高速なポリープ分割法を用いることで, 多くの大腸ポリープを容易に検出・除去することができる。
論文 参考訳（メタデータ） (2020-12-30T17:59:18Z) - DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
本稿では,デュアルデコーダアテンションネットワークに基づくDDANet'という新しいアーキテクチャを提案する。
実験では、Kvasir-SEGデータセットで訓練され、見えないデータセットでテストされたモデルは、0.7874のダイス係数、0.7010のmIoU、0.7987のリコール、0.8577の精度を達成した。
論文 参考訳（メタデータ） (2020-12-30T17:52:35Z) - Automatic Polyp Segmentation Using Convolutional Neural Networks [4.123347304960947]
コンピュータ支援診断システムはポリプスクリーニングに応用される可能性がある。
DenseNet169の特徴抽出器とU-Netアーキテクチャは99.15%の精度を達成した。
論文 参考訳（メタデータ） (2020-04-22T18:54:29Z)
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。