論文の概要: Evaluation of Extra Pixel Interpolation with Mask Processing for Medical
Image Segmentation with Deep Learning
- arxiv url: http://arxiv.org/abs/2302.11522v1
- Date: Wed, 22 Feb 2023 17:47:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 14:29:35.791749
- Title: Evaluation of Extra Pixel Interpolation with Mask Processing for Medical
Image Segmentation with Deep Learning
- Title（参考訳）: 深層学習による医用画像分割のためのマスク処理による余剰画素補間の評価
- Authors: Olivier Rukundo
- Abstract要約: 筆者らは,マスク処理を用いた余剰画素データセットアルゴリズムと非外部画素アルゴリズムとの併用性を評価した。
評価の結果,画像とマスクの組み合わせによるトレーニングにより,セグメンテーション精度が向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, the author evaluated the use of an extra pixel interpolation
algorithm with mask processing versus non-extra pixel interpolation algorithm
when interpolating training dataset images and masks for medical image
segmentation with deep learning. The author also examined scenarios of
interpolating dataset images and masks using different algorithms: extra pixel
for interpolating dataset images and non-extra pixel for interpolating dataset
masks. The evaluation outcomes revealed that training on datasets consisting of
images and masks both interpolated using the extra pixel bicubic interpolation
(BIC) resulted in better segmentation accuracy compared to using either the
non-extra pixel nearest neighbor interpolation (NN) or BIC for dataset images
and NN for dataset masks. Specifically, the evaluation revealed that the
BIC-BIC network was a 8.9578 % (with image size 256 x 256) and a 1.0496 % (with
image size 384 x 384) increase of NN-NN network compared to the NN-BIC network
which was a 8.3127 % (with image size 256 x 256) and a 0.2887 % (with image
size 384 x 384) increase of NN-NN network.
- Abstract（参考訳）: 本研究では, 深層学習による医用画像分割のためのトレーニングデータセット画像とマスクの補間において, マスク処理による余剰画素補間アルゴリズムと非外部画素補間アルゴリズムとの対比を行った。
筆者は、データセットイメージを補間する余剰画素と、データセットマスクを補間する余剰画素という、異なるアルゴリズムを用いてデータセットイメージとマスクを補間するシナリオについても検討した。
評価の結果、画像とマスクからなるデータセットのトレーニングは、追加画素bicubic補間(bic)を用いて補間され、データセット画像の非extraピクセル近傍補間(nn)またはbicとデータセットマスクのnnのいずれよりもセグメント化精度が向上した。
具体的には、BIC-BICネットワークは8.9578 %(画像サイズ256 x 256)、1.0496 %(画像サイズ384 x 384)、NN-NNネットワークは8.3127 %(画像サイズ256 x 256)、0.2887 %(画像サイズ384 x 384)であった。
関連論文リスト
- Parameter-Inverted Image Pyramid Networks [49.35689698870247]
Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。
私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。
PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-06-06T17:59:10Z) - A&B BNN: Add&Bit-Operation-Only Hardware-Friendly Binary Neural Network [5.144744286453014]
A&B BNNは、従来のBNNにおける乗算操作の一部を削除し、残りを同じ数のビット演算で置き換えることを提案する。
マスク層は、BNNの固有の特性を活用することにより、推論中に除去することができる。
量子化RPReLU構造は、傾きを2の整数パワーに制限することで、より効率的なビット演算を可能にする。
論文 参考訳（メタデータ） (2024-03-06T14:28:49Z) - Development of a Novel Quantum Pre-processing Filter to Improve Image
Classification Accuracy of Neural Network Models [1.2965700352825555]
本稿では,ニューラルネットワーク(NN)モデルの画像分類精度を向上させるために,新しい量子前処理フィルタ(QPF)を提案する。
その結果,MNIST (手書き10桁) とEMNIST (手書き47桁と文字) のデータセットに基づく画像分類精度を向上させることができた。
しかし,43種類の実生活交通標識画像を用いた比較的複雑なGTSRBデータセットに対するQPF手法による検証の結果,分類精度の低下が認められた。
論文 参考訳（メタデータ） (2023-08-22T01:27:04Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳（メタデータ） (2023-07-20T16:00:19Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - CTCNet: A CNN-Transformer Cooperation Network for Face Image
Super-Resolution [64.06360660979138]
超解像課題に対する効率的なCNN-Transformer Cooperation Network (CTCNet)を提案する。
本稿ではまず,FSAUとTransformerブロックから構成されるLGCM(Local-Global Feature Cooperation Module)を考案した。
次に、エンコードされた機能を強化するために、効率的な機能リファインメントモジュール(FRM)を設計する。
論文 参考訳（メタデータ） (2022-04-19T06:38:29Z) - An Empirical Method to Quantify the Peripheral Performance Degradation
in Deep Networks [18.808132632482103]
畳み込みニューラルネットワーク(CNN)カーネルは、各畳み込み層に結合する。
より深いネットワークとストライドベースのダウンサンプリングを組み合わせることで、この領域の伝播は、画像の無視できない部分をカバーすることができる。
我々のデータセットは、高解像度の背景にオブジェクトを挿入することで構築され、画像境界に対してターゲットオブジェクトを特定の位置に配置するサブイメージを収穫することができる。
マスクR-CNNの動作を目標位置の選択にわたって探索することにより、画像境界付近、特に画像コーナーにおいて、パフォーマンス劣化の明確なパターンが明らかになる。
論文 参考訳（メタデータ） (2020-12-04T18:00:47Z) - Verification of Deep Convolutional Neural Networks Using ImageStars [10.44732293654293]
畳み込みニューラルネットワーク(CNN)は、多くの現実世界で最先端のアプリケーションを再定義している。
CNNは敵の攻撃に対して脆弱であり、入力のわずかな変更は出力の急激な変更につながる可能性がある。
本稿では,VGG16やVGG19などの実世界のCNNを,ImageNet上で高い精度で処理可能なセットベースフレームワークについて述べる。
論文 参考訳（メタデータ） (2020-04-12T00:37:21Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z) - Fully Convolutional Networks for Automatically Generating Image Masks to
Train Mask R-CNN [4.901462756978097]
Mask R-CNN法は、これまでオブジェクト検出の最良の結果を達成するが、トレーニングのためにMaskを入手するには非常に時間がかかり、手間がかかる。
本稿では,最新のMask R-CNN深層学習のための画像マスク自動生成手法を提案する。
提案手法は,Mask R-CNNを訓練するために自動的に画像マスクを得ることができ,セグメント化における平均精度(mAP)の90%以上の精度で非常に高い分類精度を得ることができる。
論文 参考訳（メタデータ） (2020-03-03T08:09:29Z) - Computational optimization of convolutional neural networks using
separated filters architecture [69.73393478582027]
我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。
畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
論文 参考訳（メタデータ） (2020-02-18T17:42:13Z)
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。